دانلود کتاب Link Prediction in Social Networks: Role of Power Law Distribution
کتاب پیش‌بینی پیوند در شبکه‌های اجتماعی: نقش توزیع قانون قدرت نسخه زبان اصلی
دانلود کتاب پیش‌بینی پیوند در شبکه‌های اجتماعی: نقش توزیع قانون قدرت بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
توضیحاتی در مورد کتاب Link Prediction in Social Networks: Role of Power Law Distribution
نام کتاب : Link Prediction in Social Networks: Role of Power Law Distribution
ویرایش : 1
عنوان ترجمه شده به فارسی : پیش‌بینی پیوند در شبکه‌های اجتماعی: نقش توزیع قانون قدرت
سری : SpringerBriefs in Computer Science
نویسندگان : Virinchi Srinivas, Pabitra Mitra (auth.)
ناشر : Springer International Publishing
سال نشر : 2016
تعداد صفحات : 73
ISBN (شابک) : 9783319289212 , 9783319289229
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 1 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
این کار معیارهای شباهت پیش‌بینی پیوند را برای شبکه‌های اجتماعی ارائه می‌کند که از توزیع درجه شبکه‌ها سوءاستفاده می‌کنند. در زمینه پیش‌بینی پیوند در شبکه‌های متراکم، متن معیارهای تشابه را بر اساس آستانه درجه نابرابری مارکوف (MIDTs) پیشنهاد می‌کند، که فقط گره‌هایی را در نظر می‌گیرد که درجه آنها بالاتر از آستانه برای پیوند احتمالی است. همچنین معیارهای تشابه مبتنی بر دسته‌ها (CNC، AAC، RAC) ارائه شده‌اند که وزن اضافی را بین گره‌هایی که تعداد بیشتری از دسته‌ها را به اشتراک می‌گذارند، اختصاص می‌دهند. علاوه بر این، یک معیار شباهت تطبیقی محلی (LA) پیشنهاد شده است که وزن‌های مختلفی را به گره‌های مشترک بر اساس توزیع درجه محله محلی و توزیع درجه شبکه اختصاص می‌دهد. در زمینه پیش‌بینی پیوند در شبکه‌های متراکم، متن یک چارچوب دو فازی جدید را معرفی می‌کند که لبه‌هایی را به نمودار پراکنده اضافه می‌کند تا نمودار تقویت را شکل دهد.
فهرست مطالب :
Front Matter....Pages i-ix
Introduction....Pages 1-14
Link Prediction Using Thresholding Nodes Based on Their Degree....Pages 15-25
Locally Adaptive Link Prediction....Pages 27-44
Two-Phase Framework for Link Prediction....Pages 45-55
Applications of Link Prediction....Pages 57-61
Conclusion....Pages 63-64
Back Matter....Pages 65-67
توضیحاتی در مورد کتاب به زبان اصلی :
This work presents link prediction similarity measures for social networks that exploit the degree distribution of the networks. In the context of link prediction in dense networks, the text proposes similarity measures based on Markov inequality degree thresholding (MIDTs), which only consider nodes whose degree is above a threshold for a possible link. Also presented are similarity measures based on cliques (CNC, AAC, RAC), which assign extra weight between nodes sharing a greater number of cliques. Additionally, a locally adaptive (LA) similarity measure is proposed that assigns different weights to common nodes based on the degree distribution of the local neighborhood and the degree distribution of the network. In the context of link prediction in dense networks, the text introduces a novel two-phase framework that adds edges to the sparse graph to forma boost graph.
پست ها تصادفی