Prédiction de liens dans les réseaux complexes basée sur la décomposition en composantes connexes

Abstract

La prédiction de liens dans les réseaux complexes est un domaine de recherche important qui vise à anticiper les liens manquants ou les futures interactions entre les noeuds d'un réseau donné. Une approche prometteuse pour aborder ce défi consiste à utiliser la décomposition en composantes connexes du réseau. Cette décomposition divise le réseau en sous-ensembles appelés composantes connexes, où chaque composante représente un groupe de noeuds étroitement liés les uns aux autres. L'utilisation de la décomposition en composantes connexes permet de réduire la complexité du problème de prédiction de liens en se concentrant sur les connexions internes à chaque composante. Cela réduit le nombre de liens à considérer lors des calculs de similarité et de prédiction, ce qui permet d'économiser du temps d'exécution et de réduire l'espace mémoire requis. Les méthodes basées sur la similarité locale, qui exploitent les motifs de connectivité à petite échelle dans le réseau, sont souvent utilisées pour la prédiction de liens. En utilisant la décomposition en composantes connexes, ces méthodes peuvent être appliquées spécifiquement à chaque composante, améliorant ainsi la précision des prédictions Link prediction in complex networks is an important research area that aims to anticipate missing links or future interactions between nodes in a given network. A promising approach to address this challenge is to use the connected component decomposition of the network. This decomposition divides the network into subsets called connected components, where each component represents a group of nodes that are closely related to each other. The use of the decomposition into connected components makes it possible to reduce the complexity of the link prediction problem by focusing on the internal connections to each component. This reduces the number of links to consider during similarity and prediction calculations, saving execution time and reducing required memory space. Local similarity-based methods, which exploit small-scale connectivity patterns in the network, are often used for link prediction. By using the decomposition into connected components, these methods can be applied specifically to each component, thus improving the accuracy of the predictions يعد امخنبؤ بالارثباط في امش بكات المعلدة مجال بحر مهمًا يهدف الى ثوكع امروابط المفلودة أ و امخفاعلات المس خلبلية بين امعلد في ش بكة معينة. حتمثل احدى امعرق امواعدة لمواجهة هذا امخحدي في اس خخدام تحلل المكون المخطل بامش بكة. يلسم هذا امخحلل امش بكة الى لٍوعات فرعية جسمى المكونات المخطلة، حير يمثل كل مكون لٍوعة من امعلد امتي حرثبط ارثباظًا وزيلًا ببعضها امبعظ. يديح اس خخدام امخحلل الى مكونات مذطلة ثلليل ثعليد مشكلة ثوكع الارثباط من خلال امتركيز على امخوضيلات الداخلية مكل مكون. يؤدي ذلك الى ثلليل عدد الارثباظات امتي يجب مراعاتها أ زناء حسابات امدشابه وامخنبؤ ، مما يوفر وكت امخنفيذ ويللل من مساحة الذاكرة المعلوبة. غامبًا ما جُس خخدم ا لساميب املائمة على امدشابه المحلً، وامتي جس خغل أ نماط الاثطال ضغيرة امنعاق في امش بكة، نلخنبؤ بالارثباط. باس خخدام امخحلل الى مكونات مذطلة، يمكن ثعبيق هذه امعرق على وجه امخحديد على كل مكون، وبامخالي تحسين دكة امخنبؤات. امكللٌت المفذاحية: ثوكع الارثباط، امش بكات المعلدة، امخحلل الى مكونات مذطلة، امدشابه المحلً، وكت امدشغيل، مساحة الذاكرة، أ نماط الاثطال.