چکیده: شبکه‌های اجتماعی به یکی از پلتفرم‌های اصلی برای ارتباطات، اشتراک‌گذاری اطلاعات و تشکیل جوامع تبدیل شده‌اند و حجم عظیمی از داده‌های به‌هم‌پیوسته را تولید می‌کنند. پیش‌بینی روابط بالقوه آینده بین کاربران، که به عنوان پیش‌بینی پیوند شناخته می‌شود، به دلیل اهمیت آن در سیستم‌های توصیه، کشف جامعه و تصمیم‌گیری هوشمند، به یک کار اساسی در تحلیل شبکه‌های اجتماعی تبدیل شده است. با این حال، پیش‌بینی دقیق پیوندهای از دست رفته یا آینده به دلیل ماهیت پویای شبکه‌های اجتماعی، اتصال پراکنده و وابستگی‌های ساختاری پیچیده بین کاربران، همچنان چالش برانگیز است. این تحقیق یک مدل واحد بازگشتی دروازه‌ای دوطرفه مبتنی بر توجه (Attention-BiGRU) کارآمد برای پیش‌بینی پیوند در شبکه‌های اجتماعی ارائه می‌دهد. معماری پیشنهادی، قابلیت شبکه‌های GRU دوطرفه را برای ثبت وابستگی‌های متوالی از هر دو جهت با یک مکانیسم توجه ترکیب می‌کند که به طور خودکار بر آموزنده‌ترین روابط گره در طول یادگیری تأکید می‌کند. مجموعه داده شبکه Ego فیس‌بوک از پروژه تحلیل شبکه استنفورد (SNAP) برای ارزیابی چارچوب پیشنهادی به کار گرفته شد. پیش‌پردازش داده‌ها شامل حذف لبه‌های تکراری، حذف حلقه خود، تولید نمونه مثبت و منفی متعادل و تقسیم مجموعه داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمایش بود. برای بهبود تعمیم مدل، از الگوریتم‌های dropout، weight decay، زمان‌بندی نرخ یادگیری و توقف زودهنگام در طول آموزش استفاده شد. نتایج تجربی، اثربخشی مدل پیشنهادی را نشان می‌دهد و به دقت ۹۶.۷۰٪، دقت ۹۷.۱۱٪، فراخوانی ۹۶.۲۶٪، امتیاز F1 96.69٪، سطح زیر منحنی ۹۹.۰۶٪ و دقت میانگین ۹۹.۰۴٪ دست یافته است. این نتایج نشان می‌دهد که چارچوب پیشنهادی Attention-BiGRU به طور مؤثر الگوهای ساختاری پیچیده را در شبکه‌های اجتماعی ثبت می‌کند و پیش‌بینی لینک دقیق و قابل اعتمادی را ارائه می‌دهد و در عین حال عملکرد تعمیم قوی را حفظ می‌کند. ارزیابی مقایسه‌ای نیز تأیید می‌کند که رویکرد پیشنهادی با روش‌های موجود توسعه‌یافته برای همان مجموعه داده فیس‌بوک قابل رقابت است.