پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 651 |
| تعداد مقالات | 9,508 |
| تعداد مشاهده مقاله | 68,346,097 |
| تعداد دریافت فایل اصل مقاله | 47,848,998 |
مدلسازی رفتار بازنشر کاربران در اجتماعات برخط با استفاده از تیمی از اتوماتاهای یادگیر | ||
| مدل سازی در مهندسی | ||
| مقاله 14، دوره 17، شماره 59، دی 1398، صفحه 195-214 اصل مقاله (1.67 M) | ||
| نوع مقاله: مقاله کامپیوتر | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2019.17197.1689 | ||
| نویسندگان | ||
| امیدرضا بلوکی اسپیلی* ؛ احمد کاردان | ||
| دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکبیر. | ||
| تاریخ دریافت: 01 اسفند 1397، تاریخ بازنگری: 27 اردیبهشت 1398، تاریخ پذیرش: 01 خرداد 1398 | ||
| چکیده | ||
| امروزه اجتماعات برخط، در گردش اطلاعات نظیر اخبار، محتوای آموزشی، مطالب سرگرم‌کننده و غیره نقش مهمی دارند. میلیون‌ها کاربر به صورت روزانه پست‌های مختلف را در این محیط، ایجاد می‌نمایند. کاربران در صورت تمایل، برخی از پست را بازنشر می‌کنند. بازنشر یک پست در انتقال اطلاعات بین کاربران تاثیر اساسی دارد. با توجه به تعداد زیاد پست‌ها، کاربران در این گونه اجتماعات با مشکل گرانباری اطلاعات مواجه هستند. این مسئله موجب کاهش بازنشر پست‌ها و اختلال در انتقال اطلاعات در اجتماعات برخط شده است. در این مقاله، رفتار بازنشر کاربران در مواجهه با پست‌های مختلف، مدلسازی شده است. برای این کار در ابتدا عوامل مؤثر در رفتار بازنشر کاربران شناسایی شده است و سپس با استفاده از یک روش یادگیری تقویتی، رفتار کاربران در مواجهه با یک پست پیش‌بینی شده است. این روش یادگیری تقویتی به صورت یک بازی برای تیمی از اتوماتاهای یادگیر تصادفی طراحی شده است. برای ارزیابی، از سه مجموعه داده نسبتا بزرگ استفاده شده است. بر اساس نتایج بدست آمده، اتوماتاهای یادگیر تصادفی با توجه به ویژگی‌های محیط و قدرت یادگیری برخط، قابلیت اجرایی بسیار خوبی داشته است. | ||
| کلیدواژه‌ها | ||
| اجتماعات برخط؛ تیمی از اتوماتای یادگیر؛ مدلسازی رفتار کاربر؛ بازی با سود مشترک | ||
| عنوان مقاله [English] | ||
| Modeling Users’ Repost Behavior in Online Communities Using a Team of Learning Automata | ||
| نویسندگان [English] | ||
| omid reza Bolouki Speily؛ Ahmad Kardan | ||
| Department of Computer Engineering & Information Technology, AmirKabir University of Technology | ||
| چکیده [English] | ||
| Today's online communities play an important role in the flow of information such as news, educational contents, entertainment, and so on. Millions of users create different posts in this environment on a daily basis. Users will re-post some posts if they wish. Reposting has a significant effect on the transfer of information between users. Due to the large number of posts, users in these communities face the information overload problem. In this paper, the repost behavior of users in online communities is modeled. Firstly, effective factors have been identified in the behavior of user reposting, and then, using a reinforcement learning approach, users' repost behavior is anticipated. This reinforcement learning method is designed as a game for a team of random learning automata as a common pay-off game. To evaluate the proposed method, three large data sets have been gathered. Various scenarios have been used to evaluate the proposed method. Based on the results, randomized learning automata have great performance due to the features of the environment and online learning power. | ||
| کلیدواژه‌ها [English] | ||
| Online Community, Team of Learning Automata, Users behavior Modelingو Common Pay-off Game | ||
| مراجع | ||
|
[1] سید مهدی قریشی و نگین دانشپور، "بهبود عبارت نگهداری دید در پایگاه داده تحلیلی"، نشریه مدلسازی در مهندسی . دوره 16 ، شماره 55 ، زمستان 1397 ، صفحه 101 - 111 . 212 مدلسازی رفتار بازنشر کاربران در اجتماعات برخط با استفاده از تیمی از اتوماتاهای یادگیر مجله مدل سازی در مهندسی سال هفدهم، شماره 59 ، زمستان 1398 [2] سلیمه ضیاالدینی و مینا ابارقی، "ارائه یک روش جدید برای تخمین مقادیر گمشده در مجموعه داده"، نشریه مدلسازی در مهندسی، مقاله 13 ، دوره 16 ، شماره 55 ، زمستان 1397 ، صفحه 155 - 162 . [3] سامان کشوری، حسن نادری و مجید غیوری ثالث، "آبگیر داده: رویکردی نوین جهت مدیریت و تحلیل بیدرنگ دادههای حجیم"، نشریه مدلسازی در مهندسی، مقاله 12 ، دوره 16 ، شماره 55 ، زمستان 1397 ، صفحه 133 - 154 . [4] D. Boyd, S. Golder, and G. Lotan, "Tweet, tweet, retweet: Conversational aspects of retweeting on twitter", in Proceedings of the Annual Hawaii International Conference on System Sciences, 2010. [5] B. Suh, L. Hong, P. Pirolli, and E. H. Chi, "Want to be retweeted? Large scale analytics on factors impacting retweet in twitter network", 2010 IEEE Second International Conference on Social Computing, Minneapolis, MN, 2010, pp. 177–184. [6] S. Petrovic, M. Osborne, and V. Lavrenko, "Rt to win! Predicting message propagation in twitter", Proceedings of the Fifth International Conference on Weblogs and Social Media, Barcelona, Catalonia, Spain, July 17-21, 2011. [7] Y. L. Hwong, C. Oliver, M. Van Kranendonk, C. Sammut, and Y. Seroussi, "What makes you tick? The psychology of social media engagement in space science communication", Computers in Human Behavior, Vol. 68, 2017, pp. 480–492. [8] K. Crammer, O. Dekel, and J. Keshet, et al., "Online Passive-Aggressive Algorithms", Journal of Machine Learning Research, Vol. 7, 2006, pp. 551–585. [9] J. Lu, P. Zhao, and S. C. H. Hoi, "Online Passive-Aggressive Active learning", Machine Learning, Vol. 103, pp. 141–183, 2016. [10] B. Suh, L. Hong, P. Pirolli, and E. H. Chi, "Want to be retweeted? Large scale analytics on factors impacting retweet in twitter network", in Proceedings - SocialCom 2010: 2nd IEEE International Conference on Social Computing, PASSAT 2010: 2nd IEEE International Conference on Privacy, Security, Risk and Trust, 2010, pp. 177–184. [11] T. R. Zaman, R. Herbrich, J. van Gael and D. Stern, "Predicting Information Spreading in Twitter", Work. Computational Social Science and the Wisdom of Crowds Workshop (colocated with NIPS 2010), 2010. [12] Y. Artzi, P. Pantel, and M. Gamon, "Predicting Responses to Microblog Posts", in NAACL, 2012. [13] Q. Wu, Ch.J.C. Burges, K.M. Svore, J. Gao, "Ranking, Boosting, and Model Adaptation", Inf. Retr. Boston., 2008. [14] P. Luukka, "Feature selection using fuzzy entropy measures with similarity classifier", Expert Systems with Applications, Vol. 38, No. 4, 2011, pp. 4600–4607. [15] Q. Zhang, Y. Gong, Y. Guo, and X. Huang, "Retweet Behavior Prediction Using Hierarchical Dirichlet Process", in Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence, 2015. [16] T. Zaman, E. B. Fox, and E. T. Bradlow, "A bayesian approach for predicting the popularity of tweets", The Annals of Applied Statistics, Vol. 8, No. 3, 2014, pp. 1583–1611. [17] B. Bi and J. Cho, "Modeling a Retweet Network via an Adaptive Bayesian Approach", in Proceedings of the 25th International Conference on World Wide Web - WWW ’16, 2016. [18] Y. Zhang, Z. Xu and Q. Yang, "Predicting popularity of messages in twitter using a feature-weighted model", International Journal of Advanced Intelligence, 2015. [19] L. Hong, O. Dan, and B. D. Davison, "Predicting popular messages in Twitter", in Proceedings of the 20th international conference on World wide web (WWW), 2011, pp. 57–58. [20] D. Ienco, F. Bonchi, and C. Castillo, "The meme ranking problem: Maximizing microblogging virality", 2010 IEEE International Conference on Data Mining Workshops, Sydney, NSW, 2010, pp. 328–335. [21] R. Yan, M. Lapata, and X. Li, "Tweet Recommendation with Graph Co-Ranking", Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics, (Volume 1: Long Papers), July 2012, pp. 516–525. [22] D. Metzler, S. Dumais, and C. Meek, "Similarity Measures for Short Segments of Text", European Conference on Information Retrieval (ECIR 2007), Vol. 4425, 2007, pp. 16–27. بلوکی اسپیلی و کاردان 213 مجله مدل سازی در مهندسی سال هفدهم، شماره 59 ، زمستان 1398 [23] P. Bhattacharyya, A. Garg, and S. F. Wu, "Analysis of user keyword similarity in online social networks", Social Network Analysis and Mining, pp. 1–16, 2010. [24] P. Achananuparp, E.-P. Lim, J. Jiang, and T.-A. Hoang, "Who is Retweeting the Tweeters? Modeling, Originating, and Promoting Behaviors in the Twitter Network", ACM Transactions on Management Information Systems, Vol. 3, No. 3, 2012, pp. 13:1–13:30. [25] Z. Xu and Q. Yang, "Analyzing user retweet behavior on twitter", in Proceedings of the 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, ASONAM 2012, 2012, pp. 46–50. [26] F. Bonchi, C. Castillo, and D. Ienco, "Meme ranking to maximize posts virality in microblogging platforms", Journal of Intelligent Information Systems, Vol. 40, 2013, pp. 211–239. [27] A. M. Joshi and M. Trusov, "Are You a ‘Viral Star’? Conceptualizing and Modeling Inter-media Virality", Journal of the Association for Consumer Research, Vol. 2, No. 2, 2017. [28] A. J. Mills, "Virality in social media: The SPIN Framework", Journal of Public Affairs, Vol. 12, No. 2, 2012, pp. 162–169. [29] G. Gaughan and A. F. Smeato, "Finding new news: Novelty detection in broadcast news", in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), Vol. 3689 LNCS, 2005, pp. 583–588. [30] L. K. Hansen, A. Arvidsson, F. A. Nielsen, E. Colleoni, and M. Etter, "Good friends, bad news - Affect and virality in twitter", in Communications in Computer and Information Science, Vol. 185, 2011, pp. 34–43. [31] Y. Chang et al., "Improving recency ranking using twitter data", ACM Transactions on Intelligent Systems and Technology, Vol. 4, No. 1, 2013. [32] M. Amadei, "An approach to social news recommendation based on focused crawling and sentiment analysis", in UMAP 2017 - Adjunct Publication of the 25th Conference on User Modeling, Adaptation and Personalization, 2017. [33] K. Wang, M. Bansal, and J. M. Frahm, "Retweet wars: Tweet popularity prediction via dynamic multimodal regression", 2018 IEEE Winter Conference on Applications of Computer Vision (WACV), Lake Tahoe, NV, 2018, pp. 1842–1851. [34] M. Nagarajan, H. Purohit, and A. Sheth, "A Qualitative Examination of Topical Tweet and Retweet Practices", in Conference: Proceedings of the Fourth International Conference on Weblogs and Social Media (ICWSM), 2010, pp. 295–298. [35] T. Hoang and E. Lim, "Virality and Susceptibility in Information Diffusions", Proceedings of the Sixth International Conference on Weblogs and Social Media. Research Collection School of Information Systems, 2012, pp. 146–153. [36] P. S. Sastry, G. D. Nagendra, and N. Manwani, "A team of continuous-action learning automata for noise-tolerant learning of half-spaces", in IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), Vol. 40, No. 1, Feb. 2010, pp. 19–28,. [37] M. A. L. Thathachar and P. S. Sastry, "Varieties of learning automata: An overview", in IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), Vol. 32, No. 6, Dec. 2002, pp. 711–722. [38] P. S. Sastry, V. V. Phansalkar, and M. A. L. Thathachar, "Decentralized Learning of Nash Equilibria in Multi-Person Stochastic Games With Incomplete Information", in IEEE Transactions on Systems, Man, and Cybernetics, Vol. 24, No. 5, May 1994, pp. 769–777. [39] M. A. L. Thathachar and P. S. Sastry, Introduction in Networks of Learning Automata, Boston, MA: Springer US, 2004, pp. 1–49. [40] L. Hong, R. Bekkerman, J. Adler, and B. D. Davison, "Learning to rank social update streams", Proc. 35th Int. ACM SIGIR Conf. Res. Dev. Inf. Retr. - SIGIR ’12, p. 651, 2012. [41] N. A. Alawad, A. Anagnostopoulos, S. Leonardi, I. Mele, and F. Silvestri, "Network-Aware Recommendations of Novel Tweets", in Proceedings of the 39th International ACM SIGIR conference on Research and Development in Information Retrieval - SIGIR ’16, 2016. [42] W. Wang, L. Duan, A. Koul, and A. Sheth, "YouRank: Let User Engagement Rank Microblog Search Results", in 8th Internationl AAAI Conference on Weblogs and Social Media, 2014. 214 مدلسازی رفتار بازنشر کاربران در اجتماعات برخط با استفاده از تیمی از اتوماتاهای یادگیر مجله مدل سازی در مهندسی سال هفدهم، شماره 59 ، زمستان 1398 [43] E. Diaz-Aviles, A. Stewart, E. Velasco, K. Denecke, and W. Nejdl, “Towards personalized learning to rank for epidemic intelligence based on social media streams,” in Proceedings of the 21st international conference companion on World Wide Web - WWW ’12 Companion, 2012, p. 495. [44] I. Uysal and W. B. Croft, "User oriented tweet ranking: A filtering approach to microblogs", in International Conference on Information and Knowledge Management, Proceedings, 2011, pp. 2261–2264. [45] G. Valkanas, A. Saravanou, and D. Gunopulos, "A faceted crawler for the Twitter service", Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2014. [46] M. Bošnjak, E. Oliveira, J. Martins, E. M. Rodrigues, and L. Sarmento, "TwitterEcho - A Distributed Focused Crawler to Support Open Research with Twitter Data", WWW - MSND Work., 2012. [47] M. A. L. Thathachar and P. S. Sastry, Networks of Learning Automata : Techniques for Online Stochastic Optimization. Springer US, 2004. | ||
|
آمار تعداد مشاهده مقاله: 627 تعداد دریافت فایل اصل مقاله: 279 |
||