{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "Q265",
        "title": "استفاده از یادگیری عمیق برای پیش‌بینی پیوند",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1399",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "Q265",
        "title": "استفاده از یادگیری عمیق برای پیش‌بینی پیوند",
        "degree": null,
        "faculty": "مهندسی کامپیوتر ",
        "year": 1399,
        "authors": [
            {
                "name": "افسانه سلیمانی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "محسن رضوانی",
                "role": "استاد راهنما"
            },
            {
                "name": "منصور فاتح",
                "role": "استاد مشاور"
            },
            {
                "name": "سید محمد مهدی صالحی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "یادگیری عمیق",
            "پیش‌بینی پیوند",
            "شبکه‌های پیچیده",
            "شبکه‌های اجتماعی",
            "کدکننده خودکار",
            "تعبیه گره"
        ],
        "abstract": "این روزها با افزایش پیچیدگی و بالا رفتن ابعاد شبکه‌های اجتماعی برای تحلیل آن‌ها از روش‌های داده‌کاوی و یادگیری ماشین استفاده می‌شود. شبکه‌های اجتماعی به دلیل برقراری ارتباطات و تعاملات در بین کاربران از محبوبیت بالایی برخوردار هستند همچنین به دلیل اضافه شدن کاربران و یا ارتباطات بینشان، این شبکه‌ها دارای ماهیت پویا می‌باشند. ماهیت پویا شبکه‌ها روشی برای پیش‌بینی ارتباطات بین کاربران را مطرح می‌کند، که پیش‌بینی پیوند نامیده می‌شود. اکثر شبکه‌ها برای پیشنهاد آشنایان با درجه دقت بالا به‌طور خودکار، از روش‌های پیش‌بینی پیوند استفاده می‌کنند. همچنین در برخی شبکه‌های تبهکار اگر بخش قابل‌ توجهی از پیوند‌ها با استفاده از روش‌های پیش‌بینی پیوند انجام شوند، توپولوژی تغییر نکرده و پیوند‌های واقعی در شبکه‌های تبهکار آشکار می‌شوند که اجازه پیش‌بینی اقدامات جنایی خاص را می‌دهد. بنابراین با کاهش هرچه بیشتر نرخ مثبت کاذب پیش‌بینی پیوند، امکان بهبود دقت در این حوزه افزایش می‌یابد. در سال‌های اخیر، شبکه‌های مبتنی بر یادگیری عمیق در پیش‌بینی، به عملکرد پیشرفته‌ای دست یافته‌اند. در بین شبکههای موجود، کدکننده خودکار  موفقیت زیادی را در این زمینه کسب کرده است. در روش پیشنهادی، ابتدا با استفاده از تعبیه گره ضمن حفظ ساختار گراف، آن را به ابعاد کوچکتر نگاشت داده و گره‌ها را در قالب بردارهایی از اعداد حقیقی ارائه می‌کنیم. سپس این بردارها به‌عنوان ورودی به مدل یادگیری عمیق، اعمال شده و در نهایت یک سیستم پیش‌بینی پیوند با کارایی مناسب برای حل مسائل موجود در حوزه پیش‌بینی پیوند را ارائه می‌کنیم. الگوریتم ارائه‌شده روی مجموعه داده facebook، آزمایش شده و به دقت 98/0 دست یافته است، که در مقایسه با بهترین روش قبل یعنی GCN از عملکرد بهتری برخوردار است.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_Q265.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}