با گسترش روابط اجتماعی در فضای مجازی، نقش این شبکه ها در زندگی روزمره انسان ها پررنگ تر شده است. امروزه شبکه های اجتماعی برخط، نه صرفاً فضایی برای تبادل تجربیات ، بلکه ابزار مفیدی در تصمیم گیری های افراد است؛ تصمیماتی چون خرید کالا، انتخاب شغل، گزینش همسر، تأیید اخبار و غیره. اشخاص در این شبکه ها به تبادل اطلاعات با کسانی می پردازند که با آن ها به نوعی احساس نزدیکی می کنند. این نزدیکی می تواند به واسطه دوستی، خویشاوندی و آشنایی باشد؛ یا بر اساس علایق و مشابهت های فردی شکل گرفته باشد. همچون فضای واقعی، در فضای مجازی نیز تعاملات بر دو دسته است: تعاملات مثبت که نمایانگر دوستی، علاقه و اعتماد است و تعاملات منفی که نشانه دشمنی، عدم علاقه و عدم اعتماد است. همان قدر که تعاملات مثبت افراد در تصمیم گیری های آن ها موثر است، تعاملات منفی هم در انتخابشان تأثیرگذار می باشد. آگاهی از این تعاملات می تواند شناخت خوبی از تصمیمات و رفتار افراد ارائه دهد. مطالعاتی که در گذشته بر روی پیش بینی روابط افراد در شبکه های اجتماعی شده، بیشتر معطوف به روابط مثبت بوده است. در کنار بسیاری از شبکه های اجتماعی که تنها وجود یا عدم وجود رابطه بین افراد مد نظر قرار می گیرد، شبکه هایی چون اپینینز، اسلش دات و ویکی پدیا قرار دارد که نوع رابطه نیز از اهمیت بالایی برخوردار است. در چنین شبکه هایی مسئله تشخیص ماهیت روابط پنهان، پرسش جدیدی است که در کنار سایر مسائل قابل بررسی می باشد. از شاخص ترین کارهایی که در پیش بینی علامت پیوند ها صورت گرفته، رویکرد مبتنی بر دسته بندی مدیریت شده بر اساس نظریه های اجتماعی تعادل و وضعیت است که با بهره گیری از ساختارهای ارائه شده توسط این دو نظریه اجتماعی و با استفاده از روش های آماری سعی در پیش بینی نوع روابط دارد. این روش ها ضمن نتایج مطلوبی که ارائه می دهند، به دلیل نادیده گرفتن بخش مهمی از ساختار های موجود در شبکه ها و به خاطر وابستگی به روش های یادگیری ماشین، کارایی بالایی ندارند. در این نوشتار پس از مروری بر مفاهیم مقدماتی شبکه های اجتماعی و روش های مورد استفاده در پیش بینی پیوند و نیز علامتش، روش جدیدی برای پیش بینی علامت پیوندها ارائه می دهیم. در این روش از ساختار های سه گانه جهت دار برای استخراج ساختار کلی شبکه استفاده کرده و سپس با محاسبه ضرایب شگفتی هر کدام از ساختار های سه گانه در شبکه، میزان تأثیر آن ها را در گرایش علامت پیوندها به مثبت یا منفی می سنجیم و از این ابزار برای پیش بینی علامت پیوندها استفاده می کنیم. در نهایت پس از انجام آزمایش بر روی شبکه های مختلف نشان می دهیم که این شیوه می تواند علامت پیوند ها را با دقت بالا و پیچیدگی زمانی بهتری پیش بینی کند.