به گزارش خبرنگار دانشگاهی باشگاه خبرنگاران  به نقل از روابط عمومی، فعالیتهای انجام شده در آزمایشگاه تحلیل شبکههای پیچیده دانشکده کامپیوتر تحت سرپرستی دکتر مهدی جلیلی اخیرا منجر به ارائه مدلی جدید برای پیشبینی شبکهی ارتباطی بین کاربران در شبکههای اجتماعی شد.

 این مدل در مجله "ACM Transactions on Intelligent Systems and Technology" متعلق به انتشارات ACM  منتشر شد و در مدت کوتاهی پس از چاپ در چندین ماه متوالی جزو مقالات داغ با بیشترین تعداد مشاهده توسط وبسایت این ژورنال معرفی شده است.

با گسترش فضای مجازی و شبکههای اجتماعی و فراگیر شدن آن در بین جوامع مختلف بحث مربوط به تحلیل این شبکههای در مطالعات و تحقیقات بسیاری مورد توجه قرار گرفته است. تحلیل، مدلسازی و پیشبینی رفتار کاربران کاربردهای متنوعی میتواند داشته باشد. برای مثال یکی از کاربردهای مهم برای تحلیل رفتار کاربران، سیستمهای توصیه گر میباشند. در سیستمهای توصیهگر با تحلیل رفتار کاربر مورد نظر به صورت هوشمند پیشنهاداتی به کاربر انجام میگیرد که بتواند رضایتمندی کاربر را از سیستم افزایش دهد. در وبسایتهایی همانند آمازون یا ای. بی سیستمهای توصیهگر نقش کلیدی در کارایی این وبسایتها دارند به طوریکه بهبود مختصر در عملکرد سیستمهای توصیهگر در چنین کاربردهایی منجر به افزایشهای کلانی در سودآوری این وبسایتها میشود. با توجه به اهمیت تحلیل رفتارهای کاربران در فضای مجازی، آزمایشگاهها و موسسات تحقیقاتی گوناگونی هم در حوزه صنعتی و هم در حوزه دانشگاهی بر روی تحلیل این فضا متمرکز شدهاند. 

در اکثر تحقیقات انجام گرفته برای تحلیل شبکههای اجتماعی ، روابط بین کاربران  به صورت گراف مدلسازی میشود. گرافهایی که در آن موجودات به صورت گره ها و روابط بین آنها به صورت یالهایی نمایش داده میشوند. در مدلسازیهای کلاسیک تمام روابط بین گره ها به صورت یکسان در نظر گرفته میشد. به این ترتیب که فرض میشد روابط بین اشخاص در شبکههای اجتماعی بار معنایی یکسانی دارد. حجم بسیار بالایی از مطالعات در تحلیل و بررسی چنین شبکههایی انجام گرفته است.  حال اینکه مشخصا در جهان واقعی روابط بین اشخاص میتواند برچسبهای متفاوتی داشته باشد. در واقع مدلسازی کلاسیک انجام گرفته برای تحلیل شبکههای اجتماعی چندان بر واقعیت منطبق نبود و با توجه به همین کمبود، اخیرا شبکههایی در تحقیقات مورد توجه قرار گرفتهاند که در آن روابط بین گره ها میتوانند بارهای معنایی متفاوتی بایگدیگر داشته باشند. برای مثال شبکههایی را در نظر بگیرید که در آن بین افراد میتواند روابط دوستی یا دشمنی، اعتماد و یا عدم اعتماد برقرار باشد. یکی از مدلهایی که بر گنجاندن چنین مفهومهایی در قالب گراف ارائه شده است، شبکههای علامت دار میباشد. در این شبکههای یالهای بین گره ها به صورت علامت دار میباشد. به این ترتیب که هر یال دارای برچسب مثبت یا منفی میباشد. برچسب منفی میتواند نمایانگر دوستی، اعتماد ( ویا هر مفهوم دیگری با بار معنایی مثبت) باشد و برچسب منفی میتواند نماینده دشمنی و عدم اعتماد باشد. به طور کلی مسائل متنوعی بر روی این شبکهها مطرح شده و اخیرا مطالعات بسیاری در پاسخ به آنها انجام گرفته است. 

یکی از مسائل بسیار مهم در چنین شبکههایی که کاربردهای  مهمی نیز دارد (به ویژه در سیستمهای توصیهگر) مسئله مربوط به پیشبینی علامت یال بین گره ها میباشد. به عبارت دیگر مساله عبارت است از پیشبینی برچسب رابطه بین دو فرد در شبکههای اجتماعی بر اساس روابطی که این دوفرد با بقیه اعضای شبکه دارند.

مهمترین تکنینکی که پیش از این برای این مساله ارائه شده بود، یک مدل بر پایه روشهای یادگیری ماشین است که توسط یکی از محققان برجسته در حوزه تحلیل شبکههای اجتماعی از دانشگاه استنفورد مطرح شده است. با وجود دقت پیشبینی نسبتا مطلوب، این روش به دلیل پیچیدگی محاسباتی بالا در شبکههای بزرگ (شامل میلیونها گره و یال) از لحاظ زمان اجرا کارایی لازم را ندارد. در واقع یکی از مسائل مهمی که در طراحی تکنیکهای تحلیل شبکههای اجتماعی باید در نظر گرفته شود، بحث پیچیدگی محاسباتی الگوریتم است. چراکه در مقیاس تجاری حجم شبکهها بسیار بزرگ میباشد و الگوریتمهای تحلیلی با پیچیدگی محاسباتی بالا عملا کارایی خود را در چنین شرایطی از دست میدهند.در روشی که برای حل این مسئله ارائه کردیم از دیدگاه جدیدی مسئله را مدلسازی کردیم و در ادامه از یک الگوریتم مبتنی بر فیلترینگ همکارانه و بر اساس خوشه بندی شبکه برای پیشبینی علامت یالهای بهره بردیم. این الگوریتم  نسبت به دیگر روشها از پیچیدگی محاسباتی به مراتب پایینتری برخوردار است به طوریکه کاملا این قابلیت را داراست که بر کاربردهای تجاری اعمال شود. همچنین نتایج بدست آمده حاصل از اجرای مدل ارائه شده بر روی سه شبکه بدست آمده از جهان واقعی نشان ازدقت بالاتر مدل ارائه شده بر دیگر تکنینکهای پیشبینی علامت یال در شبکههای اجتماعی را دارد.

 به عبارت دیگر روش ارائه شده هم از لحاظ دقت و هم از لحاظ پیچدگی محاسباتی بر دیگر روشهای مطرح برتری دارد و این ویژگیها مدل ارائه شده را در هر دو حوزه دانشگاهی و صنعتی بسیار ارزشمند ساخته است .