|
" Toward a Better Evaluation Metric for Weighted Link Prediction "
\ Mansur Mohammed Awrahim
| center
|
:
|
Central Library of the Kurdistan University
|
| Document Type
|
:
|
Latin Dissertation
|
| Language of Text
|
:
|
English
|
| Record Number
|
:
|
222511
|
| Doc. No
|
:
|
4388پ
|
| Main Entry
|
:
|
Mohammed Awrahim, Mansur , Author
|
| Title & Author
|
:
|
Toward a Better Evaluation Metric for Weighted Link Prediction Dissertation
|
| First Statment of Responsibility
|
:
|
\ Mansur Mohammed Awrahim
|
| Supervisor
|
:
|
Sadegh Sulaimany
|
| College
|
:
|
: University of Kurdistan/ Faculty of Engineering
|
| Academic Year
|
:
|
, 2020=1399
|
| page No
|
:
|
iv, [41] pages: illustration, tables:Digital file
|
| Maghtaeh
|
:
|
Master
|
| Body granting the degree
|
:
|
Kurdistan
|
| Note
|
:
|
English & Persian abstract
|
| Abstract
|
:
|
Link prediction foresees changes that will occur in the edges of a network in the future, and is considered as a significant issue in network science. Many studies have been focused on algorithms of link prediction in simple graphs. Nevertheless, many real-world networks are modeled using weighted graphs. Assessment of link prediction accuracy, whether in a simple or in a weighted network, has simply concerned the validity of predicting the existence of edges. Based on the review of the literature carried out for this thesis, edge weigh in weighted link prediction has not been taken into account before in the calculation of prediction accuracy.In this thesis, a method has been proposed for considering the prediction score of a link in an algorithm in the prediction of the weight of the same link. The results have demonstrated that a method can provide weighted link prediction properly if it predicts the weight of a link with high accuracy as well as its existence or nonexistence. The method could be tested using basic weighted link prediction algorithms based on neighborhood such as common neighbors, Jaccard coefficient, preferential attachment, Adamic/Adar, and resource allocation. The scores calculated for link prediction in each of the algorithms have been used also for weight prediction. Normalization methods including Negative Exponential, Logistic, and Linear have been used for adaptation of link prediction scores to be used in weight prediction, and Lesmis, C. elegans, NetScience, and Airport have been utilized as datasets. Moreover, the AUC and Precision metrics have been employed for evaluation of link prediction and PCC and RMSE for evaluation of weight prediction.Given the evaluation metrics, the resource allocation algorithm has obtained the best results over most of the datasets in simultaneous link and weight prediction. The Linear normalization has provided better results for PCC and Logistic for RMSE. For development and enhancement of the accuracy of the research findings, other algorithms used in weighted link prediction, such as methods based on paths or machine learning, can be utilized. Solutions can also be presented for adaptation of the normalized predicted weight depending on the employed network.
|
|
|
:
|
پیشگویی پیوند تغییراتی که در آینده در یال‌های یک شبکه صورت می‌گیرد را پیش‌بینی می‌کند و یکی از موضوعات با اهمیت در علم شبکه محسوب می‌شود. پژوهش‌های بسیاری بر الگوریتم‌های پیشگویی پیوند در گراف‌های ساده متمرکز شده‌اند. با این وجود شبکه‌های بسیاری در دنیای واقعی با استفاده از گراف‌های وزن‌دار مدل می‌شوند. سنجش دقت پیشگویی پیوند، چه در شبکه‌های ساده و چه وزن‌دار، صرفاً معطوف به درستی پیشگویی وجود یال بوده است و بر اساس شناخت و بررسی پژوهشگران مرتبط با این پایان‌نامه، تاکنون وزن یال‌ها در پیشگویی پیوند وزن‌دار، در محاسبه دقت پیشگویی، در نظر گرفته نشده است.در این پایان‌نامه، روشی برای لحاظ نمودن امتیاز پیشگویی پیوند هر الگوریتم، در پیش‌بینی وزن همان پیوند ارائه می‌شود. طبق پژوهش این پایان‌نامه، روشی در پیشگویی پیوند وزن‌دار، برتر است که همزمان با پیشگویی وجود یا عدم وجود پیوند، وزن آن را نیز با بیشترین میزان دقت پیشگویی کند. برای تست این روش از الگوریتم‌های پیشگویی پیوند وزن‌دار پایه مبتنی بر همسایگی از قبیل همسایه‌های مشترک، ضریب جاکارد، الصاق ترجیحی، آدامیک-آدار و تخصیص منابع استفاده می‌شود. در عین حال از امتیاز محاسبه شده برای پیشگویی پیوند در هر کدام از الگوریتم‌ها، برای پیشگویی وزن آن نیز استفاده خواهد شد. بدین منظور برای همسان‌سازی امتیاز پیشگویی پیوند جهت استفاده در پیشگویی وزن، از روش‌های نرمال‌سازی نمایی منفی، لجستیک و خطی بهره برده می‌شود. دیتاست‌های مورد استفاده Lesmis، Celegans، Netscience و Airport هستند. از معیارهای AUC و Precision برای ارزیابی پیشگویی پیوند و از PCC و RMSE برای ارزیابی پیشگویی وزن، استفاده خواهد شد.با توجه به معیارهای ارزیابی، در اکثر دیتاست‌ها الگوریتم تخصیص منابع بهترین نتیجه را برای پیشگویی همزمان پیوند و وزن آن داشت. نرمال سازی خطی برای PCC و نرمال سازی لجستیک برای RMSE بهتر جواب داد. برای توسعه و افزایش دقت یافته‌های این پژوهش می‌توان از سایر الگوریتم‌های قابل استفاده در پیشگویی پیوند وزن‌دار مانند روش‌های مبتنی بر مسیر یا مبتنی بر یادگیری ماشین بهره برد. همچنین راهکارهای برای تطبیق وزن پیشگویی شده نرمال شده با توجه به شبکه مورد استفاده نیز ارائه کرد.
|
| Descriptor
|
:
|
Weighted Link Predictionپیشگویی پیوند وزن‌دار
|
|
|
:
|
Simultaneous Link and Weight Predictionپیشگویی همزمان پیوند و وزن
|
|
|
:
|
Link and Weight Prediction Evaluationارزیابی پیشگویی پیوند و وزن
|
| Added Entry
|
:
|
Sulaimany, Sadegh Thesis advisor
|
| Added Entry
|
:
|
دانشگاه کردستان. دانشکده مهندسی
|
| |