KARMAŞIK AĞLARDA BAĞLANTI VE AĞIRLIKLARIN BİRLİKTE TAHMİN EDİLMESİ: BİLİM İNSANLARININ ATIF SAYISININ TAHMİNİ

Abstract

Birçok farklı alanda, özellikle de internet ortamındaki sosyal ağlarda, varlıklar arasındaki ilişkiler oldukça karmaşık ağlar oluşturur. Son zamanlarda karmaşık ağlarda ağ analizi ve veri madenciliği araştırmacıların ilgisini çekmiştir. Karmaşık ağlarda bağlantı tahmini de oldukça ilgi gören araştırma konularından biridir. Bu çalışmada karmaşık ağlarda bağlantı tahmini için iki yöntem önerilmiştir. Birinci yöntemin amacı bilim insanlarının atıf sayısını tahmin etmektir. Önerilen yöntemde bilim insanlarının atıf sayısı tahmini problemi, atıf ağlarında bağlantı tahmini problemi olarak formülleştirilmiştir. Atıf ağlarının zaman içindeki evrimi boyunca artan/azalan eğilimlerin dikkate alındığı zamansal bir bağlantı tahmini ölçütü önerilmiştir. Önerilen bağlantı tahmini ölçütü yönlü, ağırlıklı ve zamansal ağlarda bağlantıların ağırlıklarıyla beraber tahmin edildiği ilk çalışmadır. Atıf ağlarında yapılan test sonuçları önerilen yöntemin atıf sayısı tahmini için doğruluğunu gösterir. Önerilen bağlantı tahmini ölçütü ayrıca klasik bağlantı tahmini ölçütüyle de karşılaştırılmış ve önerilen ölçütün etkili bir bağlantı tahmini ölçütü test sonuçlarında görülmüştür. İkinci yöntemin amacı yönlü ağlarda bağlantıların yön bilgisinin bağlantı oluşumundaki rolü dikkate alınarak komşuluk tabanlı bağlantı tahmini ölçütlerinin doğruluğunu artırmaktır. Literatürdeki bağlantı tahmini ölçütlerinin çoğunda bağlantıların yön bilgisinin bağlantı oluşumundaki rolü dikkate alınmamıştır. Bunun için bu çalışmada klasik komşuluk tabanlı bağlantı tahmini ölçütlerinin yönlü ağ motifleri kullanılarak hesaplandığı genel bir yöntem önerilmiştir. Yönlü ağlarda yapılan test sonuçları önerilen yöntemin komşuluk tabanlı bağlantı tahmini ölçütlerinin doğruluğunu dikkate değer bir şekilde artırdığını göstermiştir.Interactions and collaborations between entities in many different areas, especially social networks in the Internet, create more complex networks. In recent times, network analysis and data mining in complex networks have attracted the attention of researchers. Link prediction in complex networks is also one of the most interesting research topics. In this study, two methods were proposed for link prediction in complex networks. The aim of the first method is to predict citation count of scientists. In the proposed method, predicting citation count of scientists problem has been formulated as a link prediction problem in citation networks. A temporal link prediction metric has been proposed that takes into account upward/downward trends throughout the evolution of citation networks over time. The proposed link prediction approach is the first study that predicts links with its weights in the directed, weighted, and temporal networks. The experimental results on citation networks show the accuracy of the proposed method to predict citation count of scientists. The proposed link prediction metric was also compared with the classical link prediction metric, and it has been shown that the proposed measure is an effective link prediction metric in the test results. The aim of the second method is to increase the accuracy of neighborhood-based link prediction metrics by considering the role of link direction information in link formation in the directed networks. The role of link direction information in link formation has not been considered in the majority of link prediction metrics in the literature. For this purpose, in this study, a general method is proposed in which the classical neighborhood based link prediction metrics are calculated by using on directional network motifs. Test results on directed networks have shown that the proposed method considerably improves the accuracy of neighborhood-based link prediction metrics.