ارائه مدلی برای تخمین میزان برون‌گرایی اعضای شبکه اجتماعی با استفاده از اطلاعات ساختار گراف | ||
| مدل سازی در مهندسی | ||
| مقاله 8، دوره 13، شماره 43، 1394، صفحه 91-106 اصل مقاله (2.16 M) | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2017.1742 | ||
| نویسندگان | ||
| ایمان گلکار؛ مرجان کائدی* | ||
| دانشگاه اصفهان | ||
| چکیده | ||
| با آگاهی از شخصیت اعضای شبکه‌های اجتماعی می‌توان بسیاری از سرویس‌های ارائه شده به این افراد را بهبود بخشید و یا از این اطلاعات برای بهبود روابط اعضای شبکه اجتماعی با یکدیگر استفاده کرد. یک روش برای تخمین شخصیت اعضای شبکه‌های اجتماعی استفاده صریح از پرسشنامه‌های شخصیتی است. ولی بسیاری افراد این کار را نقض حریم شخصی خود می‌دانند و یا تمایلی به صرف وقت برای پرکردن پرسشنامه ندارند. به همین دلیل نیاز است ویژگی‌های شخصیتی اعضا به صورت غیرمستقیم تخمین زده شود. روش‌هایی که برای این منظور در تحقیقات پیشین ارائه شده‌اند همگی نیازمند دسترسی به پروفایل و اطلاعات محتوایی و متنی اعضا هستند. درحالیکه دسترسی به این اطلاعات همواره امکان‌پذیر نیست و می‌تواند موجب نقض حریم خصوصی افراد گردد. در این مقاله مدلی ارائه می‌شود که به صورت غیرمستقیم و بدون نقض حریم خصوصی افراد، تنها با در اختیار داشتن اطلاعاتی راجع به ساختار گرافی که حول هر عضو شبکه اجتماعی وجود دارد، می‌تواند میزان برون‌گرایی آن عضو را تخمین بزند. برای ایجاد این مدل، ابتدا داده‌های مربوط به تعدادی از اعضای شبکه اجتماعی جمع‌آوری شده است. سپس با استفاده از دو روش برنامه‌نویسی ژنتیک و قوانین رگرسیون M5 بر روی این داده‌ها، روابطی استخراج شده‌اند که با دریافت سه ویژگی از ساختار گراف هر عضو شبکه اجتماعی می‌توانند میزان برون‌گرایی او را تخمین بزنند. نتایج نشان می‌دهد که این دو روش با دقت بالایی این تخمین را انجام می‌دهند. همچنین، مدل حاصل از برنامه‌نویسی ژنتیک در مقایسه با رگرسیون M5، دقت بالا‌تر و پیچیدگی محاسباتی کمتری دارد. | ||
| کلیدواژه‌ها | ||
| مدل‌سازی شخصیت؛ شبکه اجتماعی؛ برون‌گرایی؛ برنامه‌نویسی ژنتیک؛ رگرسیون M5 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,432 تعداد دریافت فایل اصل مقاله: 1,211 |
||
| تعداد نشریات | 22 |
| تعداد شماره‌ها | 732 |
| تعداد مقالات | 10,569 |
| تعداد مشاهده مقاله | 73,813,832 |
| تعداد دریافت فایل اصل مقاله | 65,320,854 |