Kỷ yếu Hội nghị Quốc gia lần thứ X Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), Đà Nẵng, ngày 17-18/08/2017 DOI: 10.15625/vap.2017.00090 PHÂN TÍCH SỰ ẢNH HƯỞNG CỦA MỘT SỐ ĐỘ ĐO LIÊN KẾT ÁP DỤNG VÀO BÀI TOÁN DỰ ĐOÁN LIÊN KẾT TRONG MẠNG ĐỒNG TÁC GIẢ Phạm Minh Chuẩn1, Trịnh Khắc Linh2, Trần Đình Khang2,*, Lê Hồng Sơn3 Trường Đại học Sư phạm Kỹ thuật Hưng Yên * Trường Đại học Bách khoa Hà Nội, Corresponding author Trường Đại học Khoa học tự nhiên, Đại học Quốc gia Hà Nội chuanpm@gmail.com, linhtk.dhbk@gmail.com, khangtd@soict.hust.edu.vn, sonlh@vnu.edu.vn TÓM TẮT: Trong nghiên cứu khoa học, việc công bố báo thường có tham gia đóng góp nhóm tác giả Cũng mạng xã hội nói chung, liên kết đồng tác giả phụ thuộc vào nhiều yếu tố: quen biết, phối hợp, đồng tác giả khứ, lĩnh vực chuyên môn … Bài báo hướng tới phân tích số độ đo liên kết để xem xét ảnh hưởng độ đo dự báo khả đồng tác giả ứng viên Từ khóa: mạng đồng tác giả, độ đo liên kết, dự báo liên kết, phân lớp I ĐẶT VẤN ĐỀ Mạng đồng tác giả hay gọi mạng lưới học thuật, bao gồm tác giả viết nhiều báo, n ph m c ng khai chủ đề, l nh vực đ Trong mạng này, đ nh nhà nghiên c u, học giả, chuyên gia, cạnh thể hợp tác khoa học chuyên gia đ Hai tác giả gọi “đồng tác giả” họ viết chung nhiều báo Một mạng đồng tác giả c thể định ngh a sau : đ , tập nhãn thời gian - tập đ nh tạo thời gian Các nút đại diện cho tác giả báo - tập báo thời gian - {( )} tập liên kết tác giả báo thời gian Dự đoán liên kết mạng đồng tác giả toán đưa dự đoán tác giả mạng c khả hợp tác tương lai Mục tiêu toán gợi ý cho tác giả, nhà nghiên c u tìm cộng tác phù hợp với sau Đây v n đề quan tâm nghiên c u ý ngh a thực tiễn, thiết thực C nhiều c ng trình nghiên c u liên quan [10, 11, 12, 13] Để dự đoán liên kết tương lai, người ta thường dựa vào th ng tin liên kết kh , th ng tin nút c liên kết với nút xét, hay gọi hàng x m nút Dựa vào đ , định ngh a số độ đo liên kết mạng, độ đo hàng x m chung, hệ số Jaccard Các độ đo tính tốn cho cặp ng viên (u, v) c thể cho phép xác định khả u v c liên kết tương lai, thường xem tham số đầu vào cho toán dự báo liên kết mạng C nhiều nghiên c u độ đo liên kết mạng [6-8, 14-20] Với mạng đồng tác giả, c thể áp dụng độ đo đ để dự đoán liên kết Bài báo khảo sát số độ đo th ng dụng mạng n i chung, xem m c độ ảnh hưởng độ đo tới hiệu dự báo, cách gán cho độ đo trọng số tìm cách tính tốn trọng số phù hợp Các trọng số thể m c độ quan trọng độ đo ảnh hưởng tới hiệu dự báo Việc tính toán trọng số c thể thực qua thực nghiệm với mạng đồng tác giả cụ thể xây dựng từ liệu báo khoa học, dùng phương pháp phân lớp theo nhãn có / kh ng liên kết dùng giải thuật di truyền để xác định trọng số phù hợp Phần II báo đưa năm độ đo liên kết mạng th ng dụng khảo sát báo, Phần III trình bày phương pháp phân lớp Weighted SVM áp dụng cho dự báo giải thuật di truyền để tối ưu trọng số Phần IV nêu kết thực nghiệm đánh giá, Phần V kết luận khả phát triển nghiên c u II MỘT SỐ ĐỘ ĐO LIÊN KẾT Với nút , ký hiệu tập hàng xóm đồ thị mạng đồng tác giả Trong báo khảo sát số độ đo tiêu biểu dựa theo Phạm Minh Chu n, Trịnh Khắc Linh, Trần Đình Khang, Lê Hồng Sơn 761 A Độ đo Weighted Common Neighbours – WCN Độ đo Common Neighbours CN [19] hai nút tổng số hàng xóm chung Số lượng hàng x m chung cao độ tương đồng CN lớn, d khả c liên kết tương lai cao Độ đo CN thể số lượng hàng x m chung chưa tính đến m c độ liên kết hàng xóm, trường hợp số lượng báo công bố Với hai tác giả , ký hiệu số lượng báo chung, sử dụng làm trọng số liên kết hai tác giả Theo đ , c thể mở rộng độ đo CN, tính tốn thêm với nút Với hai tác giả u v, xét t t hàng x m chung z trọng số liên kết u z, v z, ta c c ng th c độ đo WCN [17]: ∑ B Độ đo Weighted Adamic_Adar – WAA Độ đo Adamic-Adar [18] quan sát thêm số lượng hàng x m chung hàng x m chung Với z hàng x m chung u v, độ đo Adamic-Adar tỷ lệ nghịch với số lượng hàng x m chung z Tích lũy t t hàng x m chung, ta c c ng th c độ đo Adamic-Adar hai nút u v sau: ∑ Cũng với độ đo CN, xét thêm trọng số liên kết hàng xóm WAA[17]: ∑ , ta c c ng th c cho độ đo ∑ C Độ đo Weighted Jaccard Coefficient – WJC Độ đo Jaccard Coefficient JC [16] hai nút tỷ lệ thuận với số lượng hàng x m chung u, v, đồng thời tỷ lệ nghịch với tổng số hàng x m u v Độ đo JC cho t lệ đồng tác giả làm việc với x làm việc với y [15]: Cũng với độ đo CN, xét thêm trọng số liên kết hàng xóm ∑ , ta c c ng th c cho độ đo WJC ∑ ∑ D Độ đo Weighted Preferential Attachment – WPA Độ đo Preferential Attachment PA [14] thể m c độ liên kết rộng rãi nút u nút v, tính tích số lượng hàng x m hai nút SIMPA(u,v) = T(u) × T(v) Xét thêm trọng số liên kết hàng x m, ta c c ng th c cho độ đo WPA[17] sau: ∑ ∑ E Độ đo SimRank Độ đo SimRank [20] thể m c độ tương tự hai nút Ký hiệu m c độ tương tự hai nút u, v SIMSimRank(u, v) [0,1], độ tương tự SimRank c thể viết dạng c ng th c đệ quy sau, u v SIMSimRank(u, v) =1, ngược lại tính theo c ng th c (5) PHÂN TÍCH SỰ ẢNH HƯỞNG CỦA MỘT SỐ ĐỘ ĐO LIÊN KẾT … TRONG MẠNG ĐỒNG TÁC GIẢ 762 Trong đ số ∑ ∑ III PHÂN TÍCH SỰ ẢNH HƯỞNG CỦA CÁC ĐỘ ĐO Để phân tích ảnh hưởng độ đo việc dự báo liên kết đồng tác giả, ta c thể gán trọng số cho độ đo thực nghiệm để tính tốn trọng số phù hợp, thực qua c ng việc sau: (i) Xây dựng bảng liệu độ đo cho cặp ng viên: Tính tốn độ đo cho t t cặp ng viên (u,v) chu kỳ thời gian ti Trong báo xét độ đo WCN, WAA, WJC, WPA SimRank Tiếp theo, gán nhãn cho cặp ng viên (u, v) cách xét chu kỳ thời gian ti+1, xem u v thực tế c phải đồng tác giả khoảng thời gian ti+1 hay kh ng Gán nhãn “1” u v c c ng bố chung, nhãn “0’, ngược lại (ii) Sau hoàn thiện bảng liệu gồm thuộc tính độ đo nhãn cho cặp ng viên, ta c thể áp dụng phương pháp phân lớp, dùng liệu đ để hu n luyện kiểm tra, để dự đoán liên kết Do đặc thù toán c số nhãn “0” vượt trội so với nhãn “1”, nên báo sử dụng phương pháp SVM c trọng số cho liệu (Weighted Support Vector Machine) (iii) Để phân tích ảnh hưởng độ đo đến kết dự báo liên kết đồng tác giả, ta c thể gán trọng số (w1, w2, w3, w4, w5) tương ng cho độ đo tối ưu tham số giải thuật di truyền, với độ thích nghi cá thể (bộ trọng số) đo hiệu phân lớp Sau trình bày nội dung A Phương pháp phân lớp Weighted Support Vector Machine Support vector machine (SVM) [1] phương pháp phân lớp nhị phân, coi việc học v n đề tối ưu Các mẫu hu n luyện kiểm tra biểu diễn dạng véc tơ số thực d–chiều kh ng gian đặc trưng m tả liệu, véc tơ tập hu n luyện gán nhãn dương nhãn âm Bởi vậy, tập hu n luyện bao gồm cặp (xi, yi), i =1,2,…,l Trong đ xi véc tơ hu n luyện th i, yi { 1, 1} nhãn véc tơ th i Quá trình học cố gắng phân tách véc tơ mang nhãn dương nhãn âm siêu phẳng c dạng wTx = b Ở đây, w véc tơ pháp tuyến siêu phẳng, b số xác định khoảng cách g c toạ độ siêu phẳng theo hướng pháp tuyến w Để chọn w b, SVM cực tiểu hoá hàm mục tiêu sau: (6) Trong đ , ánh xạ xi vào kh ng gian nhiều chiều, C > tham số chu n hố Bởi w thường xác định kh ng gian nhiều chiều, đ giải th ng qua toán đối ngẫu: (7) T thoả mãn, y = 0, i C, i = 1,…,l Trong đ , e = [1,…,1]T véc tơ t t giá trị 1, Q ma trận nửa xác định dương (positive (xi)T (xj) hàm kernel semidenite) với số chiều l×l Qij yiyjK(xi, xj), K(xi, xj) Sau toán (2) giải quyết, biến w tối ưu thoả mãn biểu th c sau Sau tìm w b, phân lớp SVM sử dụng tiêu chu n để dự báo nhãn véc tơ (trong tập kiểm tra) sau: Prediction(x) := sgn(wT (x) + b) = sgn( ) Phạm Minh Chu n, Trịnh Khắc Linh, Trần Đình Khang, Lê Hồng Sơn 763 Đối với toán phân lớp nhị phân mà liệu hai lớp kh ng cân bằng, đ số tác giả [3, 4, 5] đề xu t sử dụng tham số C khác c ng th c SVM Phương pháp Weighted SVM cực tiểu h a hàm mục tiêu sau: (8) thỏa mãn Trong đ , C+, C tham số chu n hoá lớp dương âm tương ng Bài toán đối ngẫu (3) giải th ng qua (4) sau: (9) T thoả mãn, y = 0, + C , yi =1, i i C , yi = -1, i = 1,…,l Các độ đo đánh giá hiệu phân lớp: Một độ đo đánh giá hiệu phương pháp phân lớp thường áp dụng cho toán phân lớp kh ng cân độ đo AUC (Area Under the Curve) AUC c thể định ngh a xác su t chọn ngẫu nhiên cặp ng viên c liên kết lớn chọn cặp nút kh ng c kết nối Nếu AUC = tương ng với việc dự báo tốt nh t, phương pháp lựa chọn ngẫu nhiên AUC = Nếu n phép so sánh độc lập, n’ số lần xác su t chọn cặp nút c liên kết cao cặp nút kh ng c liên kết, n” số lần chọn cặp nút c liên kết c xác su t với chọn cặp nút kh ng c liên kết, đ giá trị AUC xác định biểu th c (10) sau AUC n' 2n' ' n (10) Ngoài ra, ta xem xét độ xác phương pháp dự báo dựa độ đo Recall, Precision F_measure Re call TP TP Pr ecision F measure FN TP TP FP * Re call * Pr ecision Re call Pr ecision (11) (12) (13) Trong đ |TP|, |FP| |FN| số lượng véc tơ mang nhãn dương dự đoán (True Positives), số nhãn dương dự đoán sai (False Positives) số nhãn âm dự đoán sai (False Negatives) B Áp dụng Giải thuật di truyền tính trọng số độ đo liên kết Quần thể dùng c kích thước N gồm cá thể, cá thể trọng số gồm giá trị khơng âm có tổng Với cá thể, ta xây dựng lại bảng liệu ng viên với giá trị độ đo nhân thêm với trọng số tương ng Độ thích nghi cá thể xác định hiệu phân lớp sử dụng phương pháp Weighted SVM để phân lớp với bảng liệu sau nhân với trọng số tương ng với cá thể đ Quá trình di truyền cho kết trọng số phù hợp Cụ thể, bước giải thuật sau: Bước 1: Khởi tạo quần thể, kích thước N Bước 2: Tính độ thích nghi cho cá thể, cách thực phân lớp Weighted SVM với bảng liệu nhân với trọng số tương ng với thể đ Độ đo hiệu phân lớp cho ta độ thích nghi cá thể Bước 3: Kiểm tra điều kiện kết thúc Bước 4: Chọn lọc cá thể cho hệ tiếp theo, sử dụng bánh xe Roulette kết hợp với giữ lại cá thể tốt nh t Bước 5: Lai ghép hai cá thể bố mẹ (theo xác su t lai ghép) để tạo cá thể Tính lại trọng số tương ng cho cá thể 764 PHÂN TÍCH SỰ ẢNH HƯỞNG CỦA MỘT SỐ ĐỘ ĐO LIÊN KẾT … TRONG MẠNG ĐỒNG TÁC GIẢ Bước 6: Đột biến theo xác su t đột biến Tính lại trọng số tương ng cá thể đột biến Quay lại Bước IV THỰC NGHIỆM Thực nghiệm tiến hành m i trường Matlab, sử dụng thư viện LIBSVM Chang & Lin [2] (được đăng tải địa ch https://www.csie.ntu.edu.tw/~cjlin/ libsvm/ ), cài đặt Weighted SVM gọi hàm svmpredict, với tham số sau: s = 0, w1= tỷ lệ nhãn âm, w-1 = tỷ lệ nhãn dương, h = A Dữ liệu thực nghiệm Để chu n bị thực nghiệm, chúng t i thu thập liệu tác giả l nh vực vật lý c ng bố báo khoa học chủ đề High Energy Phisics – Lattice [9] từ năm 1992 đến năm 2000 , c 555 tác giả tham gia đ ng g p 111 báo Từ liệu này, tính mạng liên kết đồng tác giả với số lượng 19069 liên kết Tiếp theo bước tạo bảng liệu (i) Từ liệu đồng tác giả, tính tập cặp ng viên cho năm, ký hiệu: - Tập C1 lưu trữ cặp ng viên năm 1992, - Tập C2 lưu trữ cặp ng viên năm 1993, - Tiếp tục vậy, tập C9 lưu trữ cặp ng viên năm 2000 (ii) Từ tập C1 đến C9, xây dựng bảng liệu để hu n luyện kiểm tra cho phương pháp phân lớp - Bảng D1 có thuộc tính độ đo thuộc tính nhãn, tính cho cặp ng viên đồng tác giả năm 1992, 1993, 1994 (dữ liệu bảng C1, C2, C3), gán nhãn “1” / “0” liệu liên kết đồng tác giả năm 1995 - Tương tự vậy, có bảng D2 cho cặp ng viên năm 1993, 1994, 1995, gán nhãn bới liệu liên kết đồng tác giả năm 1996 - Bảng D3 cho năm 1994, 1995, 1996 gán nhãn liệu 1997 - Bảng D4 cho năm 1995, 1996, 1997 gán nhãn liệu 1998 - Bảng D5 cho năm 1996, 1997, 1998 gán nhãn liệu 1999 - Bảng D6 cho năm 1997, 1998, 1999 gán nhãn liệu 2000 (iii) Dùng tập liệu D1 đến D4 để tính độ thích nghi cá thể theo giải thuật di truyền - Từ D1 tính E1 cách nhân độ đo với trọng số tương ng với thể xét Tương tự, tính E2 từ D2, E3 từ D3, E4 từ D4 - Thực thủ tục Weighted SVM ba lần, lần dùng E1 để hu n luyện, E2 để kiểm tra; lần dùng E2 để hu n luyện, E3 để kiểm tra lần dùng E3 để hu n luyện , E4 để kiểm tra Sau đ tổng hợp độ đo hiệu phân lớp lần đ cho độ thích nghi cá thể (iv) Dùng tập liệu D5, D6 để kiểm tra lại trọng số tốt nh t tính giải thuật di truyền - Tính E5 từ D5, E6 từ D6 cách nhân với trọng số đ - Thực thủ tục Weighted SVM với E5 tập hu n luyện E6 tập kiểm tra B Kết thực nghiệm Áp dụng giải thuật di truyền với quần thể có 40 cá thể, chạy 100 hệ, xác su t lai ghép 25%, đột biến 5%, chọn lọc dùng bánh xe Roulette, độ thích nghi cá thể tính độ đo AUC độ đo F_measure Kết trọng số với độ thích nghi AUC: Cho kết trọng số tốt nh t: (0.0470943, 0.0581799, 0.145314, 0.175576, 0.573835) c độ thích nghi AUC = 0.905895 Phạm Minh Chu n, Trịnh Khắc Linh, Trần Đình Khang, Lê Hồng Sơn 765 Hình Độ thích nghi AUC cá thể tốt nh t qua hệ Kiểm tra lại phân lớp Weighted SVM dùng liệu E5 để hu n luyện E6 để kiểm tra, cho ta độ đo AUC với trọng số 0.89114, kh ng dùng trọng số, phân lớp Weighted SVM với D5, D6 cho kết AUC 0.86441 Kết trọng số với độ thích nghi F_measure Cho kết trọng số tốt nh t: (0.400487, 0.0534822, 0.377146, 0.118194, 0.0506908) c độ thích nghi Fmeasure = 0.474008 Hình Độ thích nghi F_measure cá thể tốt nh t qua hệ Kiểm tra lại phân lớp Weighted SVM dùng liệu E5 để hu n luyện E6 để kiểm tra, cho ta độ đo F_measure với trọng số 0.29895, kh ng dùng trọng số, phân lớp Weighted SVM với D5, D6 cho kết AUC 0.27171 Với trọng số độ đo Precision cải thiện: độ xác 0.20952, so với 0.16667 kh ng dùng trọng số C Đánh giá Độ đo AUC thể hiệu phân lớp theo xác su t chọn ngẫu nhiên cặp ng viên, độ đo SimRank c trọng số vượt trội, thể “tương tự” nút Trong mạng đồng tác giả, c thể gần gũi l nh vực chuyên m n, đồng nghiệp … đặc trưng cần lưu ý Độ đo F_measure liên quan đến độ xác độ bao phủ, độ đo liên kết WCN, WJC c trọng số lớn hơn, thể vai trò “hàng x m” chung nút 766 PHÂN TÍCH SỰ ẢNH HƯỞNG CỦA MỘT SỐ ĐỘ ĐO LIÊN KẾT … TRONG MẠNG ĐỒNG TÁC GIẢ Việc đưa thêm vào trọng số cho độ đo, ch t tăng thêm tham số điều ch nh Trong trường hợp kh ng dùng trọng số c thể hiểu trường hợp riêng trọng số = (0 2, 2, 2, 2, 2) Vì vậy, xét thêm trọng số cho hội cải thiện hiệu phân lớp Điều minh ch ng kiểm tra lại với liệu D5+D6, dùng D5 cho training, D6 cho testing với thủ tục Weighted-SVM, giá trị độ đo hiệu phân lớp cải thiện V KẾT LUẬN Bài báo đưa phương pháp phân tích ảnh hưởng số độ đo liên kết đến hiệu dự báo liên kết đồng tác giả, qua trọng số gán cho độ đo Mạng đồng tác giả c đặc thù mạng thưa, số cặp nút c liên kết hẳn so với số cặp nút kh ng c liên kết, độ xác dự báo kh ng cao Việc tính tốn thêm trọng s áp dụng váo phân lớp làm tăng hiệu dự báo, trình bày qua thực nghiệm báo Hiện tại, chúng t i xét đến độ đo liên kết th ng dụng cho mạng n i chung, chưa xét đến đặc thù riêng mạng đồng tác giả, đặc trưng nh m nghiên c u, l nh vực nghiên c u, địa ch , … Việc xây dựng độ đo cho loại mạng c thể hướng phát triển báo, thử nghiệm phương pháp phân lớp độ thích nghi phù hợp để tăng hiệu phương pháp dự báo TÀI LIỆU THAM KHẢO [1] Cortes, C., & Vapnik, V., Support-vector networks Machine learning, 20(3) (1995), 273-297 [2] Chang, C C., Lin, C J., LIBSVM: a library for support vector machines ACM Transactions on Intelligent Systems and Technology (TIST) 2(3) (2011) 27 [3] Osuna, E., Freund, R., & Girosi, F (1997), Support vector machines: Training and applications [4] Brank, J., Grobelnik, M., Milic-Frayling, N., & Mladenic, D (2003), Training text classifiers with SVM on very few positive examples (Vol 486) Technical Report MSR-TR-2003-34, Microsoft Corp [5] Vapnik, V N., & Vapnik, V (1998), Statistical learning theory (Vol 1) New York: Wiley [6] Adamic, L A., & Adar, E (2003) Friends and neighbors on the web Social networks, 25(3), 211-230 [7] Akcora, C G., Carminati, B., & Ferrari, E (2011) Network and profile based measures for user similarities on social networks Proceedings of the 2011 IEEE International Conference on Information Reuse and Integration (IRI)(pp 292-298) [8] Akcora, C G., Carminati, B., & Ferrari, E (2013) User similarities on social networks Social Network Analysis and Mining, 3(3), 475-495 [9] Cornell University (2016) High Energy Physics Theory Available at: https://arxiv.org/archive/hep-th/ (Accessed on: 17/10/2016) [10] Fei Gao, Katarzyna Musial, Colin Cooper, Sophia Tsoka (2014), Link Prediction Methods and Their Accuracy for Different Social Networks and Network Metrics, http://eprints.bournemouth.ac.uk/ 22934/1/%5Bgamu15%5Dlink_prediction.pdf [11] David Liben-Nowell, Jon Kleinberg (2004), The Link Prediction Problem for Social Networks, https://www.cs.cornell.edu/home/kleinber/link-pred.pdf [12] Han, X., Wang, L., Farahbakhsh, R., Cuevas, Cuevas, R., Crespi, N., & He, L (2016) CSD: A multi-user similarity metric for community recommendation in online social networks Expert Systems withApplications, 53, 14-26 [13] Bliss, C A., Frank, M R., Danforth, C M., & Dodds, P S (2014) An evolutionary algorithm approach to link prediction in dynamic social networks Journal of Computational Science, 5(5), 750-764 [14] Mitzenmacher, M (2004) A brief history of generative models for power law and lognormal distributions Internet mathematics, 1(2), 226-251 [15] Gne, Gndz-dc, & Ataltepe, Z (2016) Link prediction using time series of neighborhood-based node similarity scores Data Mining and Knowledge Discovery,30(1), 147-180 [16] Salton, G & Mc Gill, M.J (1983) Introduction to Modern Information Retrieval Mc Graw-Hill, NewYork [17] Murata, T., & Moriyasu, S (2007) Link prediction of social networks based on weighted proximity measures Proceedings of the IEEE/WIC/ACM international conference on In Web Intelligence, 85-88 [18] Adamic, L A., & Adar, E (2003) Friends and neighbors on the web Social networks, 25(3), 211-230 [19] Newman, M E (2001) Clustering and preferential attachment in growing networks Physical review E,64(2), 025102, 1-13 [20] Jeh, G., & Widom, J (2002, July) SimRank: a measure of structural-context similarity In Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining (pp 538-543) ACM Phạm Minh Chu n, Trịnh Khắc Linh, Trần Đình Khang, Lê Hồng Sơn 767 ANALYSE THE EFFECT OF SOME METRICS TO APPLY TO LINK PREDICTION PROBLEM IN CO-AUTHORSHIP NETWORK Pham Minh Chuan, Trinh Khac Linh, Tran Dinh Khang, Le Hoang Son ABSTRACT: In scientific research field, publishing papers often involves the participation and contribution from multiple authors Similar to general social networking, co-authorship depends on various factors: acquaintance, collaboration, past relationship / coauthorship, or specific researching field, etc This paper aims to analyse some linking metrics to observe the effect of those metrics in predicting the possibility of a co-authorship between certain candidates ... PHÂN TÍCH SỰ ẢNH HƯỞNG CỦA MỘT SỐ ĐỘ ĐO LIÊN KẾT … TRONG MẠNG ĐỒNG TÁC GIẢ 762 Trong đ số ∑ ∑ III PHÂN TÍCH SỰ ẢNH HƯỞNG CỦA CÁC ĐỘ ĐO Để phân tích ảnh hưởng độ đo việc dự báo liên kết đồng tác. .. trị độ đo hiệu phân lớp cải thiện V KẾT LUẬN Bài báo đưa phương pháp phân tích ảnh hưởng số độ đo liên kết đến hiệu dự báo liên kết đồng tác giả, qua trọng số gán cho độ đo Mạng đồng tác giả. .. nút 766 PHÂN TÍCH SỰ ẢNH HƯỞNG CỦA MỘT SỐ ĐỘ ĐO LIÊN KẾT … TRONG MẠNG ĐỒNG TÁC GIẢ Việc đưa thêm vào trọng số cho độ đo, ch t tăng thêm tham số điều ch nh Trong trường hợp kh ng dùng trọng số c