استفاده از اطلاعات تراکنشی برای پیش بینی قدرت لینک در شبکه‌های اجتماعی آنلاین

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

استفاده از اطلاعات تراکنشی برای پیش بینی قدرت لینک در شبکه‌های اجتماعی آنلاین

عنوان لاتین

Using Transactional Information to Predict Link Strength in Online Social Networks

حوزه‌های علمی بسیاری که شبکه‌های اجتماعی را تحلیل و مدل‌سازی می‌کنند بر روی داده‌های جمع‌آوری شده‌ی دستی تمرکز دارند که در آن‌ها لینک‌های دوستی بسیار نادر است (به دلیل هزینه‌های جمع‌آوری) اما داده‌های نسبتاً بدون نویز خواهند بود (یعنی، نشان دهنده‌ی رابطه‌ی قدرتمندی هستند). در شبکه‌های اجتماعیِ آنلاین، که در آن‌ها اندیشه‌ی دوستی وسیع‌تر از حالتی است که در مطالعات جامعه‌شناسی در نظر گرفته می‌شود، لینک‌های دوستی متراکم‌تر می‌باشند اما لینک‌ها دارای اطلاعات نویزی هستند (یعنی، برخی از روابط ضعیف‌تر). با این همه، شبکه‌ها همچنین دارای رخدادهای تراکنشیِ اضفی در میان این موجودها هستند (یعنی ارتباط، انتقال فایل و...) که می‌توان از آن‌ها برای استخراج شبکه‌ی اجتماعیِ زیرین واقعی استفاده کرد. با همین هدف، یک رویکرد یادگیریِ سرپرستی شده توسعه داده‌ایم تا قدرت لینک را از اطلاعات تراکنشی به دست آوریم. ما این رویکرد را به عنوان یک کار پیشبینیِ لینک فرموله‌سازی کرده‌ایم و کاربرد ویژگی‌های تراکنشی، توپولوژیکی و مبتنی بر ویژگی را مقایسه کرده‌ایم. رویکرد خود را بر روی داده‌های عمومی از شبکه‌ی Purdure Facebook تست کرده‌ایم و نشان می‌دهیم که با دقت بالا روابط قدرتمند را پیش‌بینی می‌کنیم. به علاوه، نشان می‌دهیم که ویژگی‌های شبکه‌ی تراکنشی قدرتمندترین ویژگی‌ها برای این کار هستند.

Many scientific fields analyzing and modeling social networks have focused on manually-collected datasets where the friendship links are sparse (due to the costs of collection) but relatively noise-free (i.e. they indicate strong relationships). In online social networks, where the notion of “friendship” is broader than what would generally be considered in sociological studies, the friendship links are denser but the links contain noisier information (i.e., some weaker relationships). However, the networks also contain additional transactional events among entities (e.g., communication, file transfers) that can be used to infer the true underlying social network. With this aim in mind, we develop a supervised learning approach to predict link strength from transactional information. We formulate this as a link prediction task and compare the utility of attribute-based, topological, and transactional features. We evaluate our approach on public data from the Purdue Facebook network and show that we can accurately predict strong relationships. Moreover, we show that transactional-network features are the most influential features for this task.