Supervised and fuzzy rule based link prediction in weighted co-authorship networks

Abstract

Link tahmini, sosyal ağ analizinde temel bir problemdir. Halihazırda aralarında bağlantı olmayan nodların gelecekte aralarında bağlantı kurma tahminini yapmak bir sınıflandırma problemidir. Bu problemin çözümü için bu çalışmada eğiticili öğrenme algoritmaları ve eğiticisiz bir metot kullanılmıştır. Bulanık mantığın link tahminindeki sonuçlarını da görebilmek için eğiticili öğrenme algoritmalarından biri olarak bulanık mantık temelli bir algoritma kullanılmıştır. Iki farklı ağ kullanılmıştır: bunlar, bilgisayar bilimleri yazarlarından oluşan ve göz hastalıkları yazarlarından oluşan ağlardır. Bu ağlar ayrıca kendi içlerinde ağırlıklı ve ağırlıksız olarak kullanılmıştır. Bir ağda ağırlık, iki nod arasındaki ilişkinin gücünü gösterir. Deney sonuçları göstermiştir ki ağırlıklı ağlarla elde edilen sonuçlar, ağırlıksız olarak kullanılan ağlarla elde edilen sonuçlardan daha iyi çıkmıştır. Link tahmini, şuan aralarında bağlantı olmayan iki nod için, gelecekteki yeni bağlantıyı tahmin etme görevidir. Eğiticili öğrenme algoritmaları ile yapılan link tahmini deneylerinde, nodların metrik değerleri input olarak kullanılmış, bu nodların gelecekte aralarındaki link varlığı ise sınıf etiketi olarak kullanılmıştır. Eğer aralarında link varsa sınıf etiketi 1 olarak, eğer link yoksa sınıf etiketi 0 olarak atanmıştır. Eğiticisiz metotta ise her bir nod çifti için metric değerleri en yüksekten en düşüğe kadar sıralandırılmıştır. Deney sonuçları göstermiştirki eğiticili öğrenme algoritmaları ile elde edilen performans, eğiticisiz metot ile elde edilen performansdan daha iyi çıkmıştır. Eğiticili öğrenme algoritmaları ile yapılan deneylerin sonuçlarında ise olasılık teoremini ve karar ağacını kullanan algoritmalar, bulanık mantık kullanan algoritmadan daha iyi sonuç vermiştir.

Link Prediction is a fundamental problem in the social networks analysis. In order to solve this problem supervised learning algorithms, which include one fuzzy rule based algorithm were applied in this study. Besides supervised learning algorithms, an unsupervised strategy is also applied to compare the supervised and unsupervised results. Two different networks are chosen for the experiments: a computer science co-authorship network and an eye disease co-authorship network. Those networks were used in both weighted and unweighted versions in the experiments. In a network, a weight refers the strength of a relationship between nodes. Our Experiments' results proved that weighted networks had better results in comparison to unweighted networks. In the link prediction, the task is to predict the new connections in future for unconnected pair of nodes in present. In the link prediction process with supervised algorithms, metric values were employed as predictor attributes and existence of links was used as class labels. On the other hand, in link prediction process with the unsupervised strategy, a ranking method was employed. In the light of the experiments, it was seen that supervised algorithms had better performance than the unsupervised strategy. Furthermore, among the supervised algorithms, a decision tree and a probabilistic algorithm provided the best performances in comparison with fuzzy rule based algorithm.