Sosyal ağlarda etkileşim örüntüleri kullanılarak bağlantı tahmini

Abstract

Son yıllarda sosyal medyanın kullanımında hızlı artışı ile beraber sosyal medya analizi konusunda yapılan çalışmalar da önem kazanmıştır. Yaşanan birçok toplumsal ve siyasi olayın sosyal medyada yankı bulması ve artan kullanım sayısıyla reklam sektörünün sosyal medyaya yönelik yeni reklam stratejileri geliştirmesi sosyal medyanın önemini göstermektedir. Sosyal medyayı analiz yöntemlerinden biri sosyal ağ analizi ve bu kapsamda öne çıkan çalışma konularından biri bağlantı tahminidir. Bu çalışmada Sosyal Ağlarda Etkileşim Örüntüleri Kullanılarak Bağlantı Tahmini yapılmıştır. Ağ tahmin algoritmaları, pratikte büyük ağ yapıları için iyi bir uygulama alanı değildir (yaklaşım yöntemleri kullanılmadan). Bunun nedeni bu yöntemlerde ya işlem süresi uzun sürmektedir ya da güçlü, pahalı süper bilgisayarlar gerekmektedir. Bu sebeple bu çalışmada klasik ağ tahmin algoritmaları dışında bir yöntem önerilmiştir. Bu yöntemde ağ yapısı düzleştirilerek özellik vektörleri şekline getirilmektedir. Ağdaki tekrarlanan örüntü vektörleri bulunarak eksik veya bilinmeyen bağlantıları tahmin etmek için klasik makine öğrenmesi algoritmalarından faydalanılmıştır. Önerilen yöntem, Twitter ağına uygulanarak yeni takip edilebilecek kullanıcılar tavsiye edilmeye çalışılmıştır. Bu çalışmanın literatüre ana katkısı, bağlantı tahmini probleminin etiket tahmini problemine dönüştürülmesi, büyük boyuttaki ağlar için bağlantı tahmininde kullanılacak örüntüleri çıkartmada yeni bir metot kullanılması ve her bir çıkartılan örüntünün sağladığı yararın gösterilmesidir.The usage of social media has been rapidly increased in recent years. Studies on social media analysis become more important due to increasing usage of social media, as well. Spreading many social and political events on social media and developing new advertising strategies for social media by advertising companies indicate the importance of social media. One approach for analyzing social media is network analysis and a popular area about network analysis is link prediction. In this work, Link Prediction using Annotation Patterns on Social Networks is examined. Graph theoretical link and annotation prediction algorithms are usually not applicable (except using approximation approach) for very big network structures since processing takes a long time or requires powerful, expensive supercomputer. Thus a new method without using graph theoretical link or annotation prediction algorithms is proposed in this study. The network structure is transformed into feature vectors by flattening. Repeated sub-network patterns are found for each nodes of the network and they fed into machine learning algorithms to predict missing or unknown annotations and links. This method is applied to Twitter network for suggesting new followers. The major contributions of this study are transformation of link prediction into annotation prediction problem, a new method for extracting features from large-scale networks, and evaluation of benefits provided by each extracted pattern.