Made available in DSpace on 2014-06-12T16:00:36Z (GMT). No. of bitstreams: 2 arquivo6801_1.pdf: 1400447 bytes, checksum: 82d5aa21900e4c2f42e7f550a790713e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2011 / Universidade Federal de Pernambuco / A Predição de Relacionamentos (Link Prediction) é uma importante atividade no campo da Análise em Redes Sociais. Esta atividade se refere em predizer o surgimento de relacionamentos futuros entre os nós em uma rede social. Uma das estratégias para realizar as predições se dá por meio da aprendizagem supervisionada. Neste caso, a predição é tratada como um problema de classificação binária. Os atributos preditores são as métricas computadas para indicar a proximidade ou similaridade de um par de nós. As classes positiva e negativa representam, respectivamente, a presença e ausência de um relacionamento entre esse par no futuro. Apesar de ser uma abordagem bem consolidada na literatura, a maioria das pesquisas que emprega a aprendizagem supervisionada utiliza apenas redes sem pesos. Atribuir pesos para os relacionamentos da rede é uma maneira de expressar a força dos relacionamentos entre os nós, o que pode potencialmente fornecer informações úteis para a predição. Estudos têm demonstrado que a utilidade de empregar pesos nos relacionamentos com abordagens não supervisionadas ainda é controversa, enquanto este ponto é pouco explorado na abordagem supervisionada. Neste contexto, o objetivo principal deste trabalho foi investigar se adotar pesos nos relacionamentos entre os nós contribui para a otimização do desempenho da predição supervisionada. A avaliação se deu pela comparação de diferentes algoritmos de classificação em redes com e sem pesos. De modo geral, os resultados com a predição supervisionada em duas redes de coautorias revelaram que uma pequena, mas relevante melhoria de desempenho foi obtida quando os pesos foram considerados