خوشه‌بندی جامعه مبتنی بر مدلسازی اعتماد وزن‌ دهی شده با علایق کاربر در شبکه‌های اجتماعی آنلاین

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

خوشه‌بندی جامعه مبتنی بر مدلسازی اعتماد وزن‌ دهی شده با علایق کاربر در شبکه‌های اجتماعی آنلاین

عنوان لاتین

Community clustering based on trust modeling weighted by user interests in online social networks

وب سایت‌های شبکه‌ی اجتماعی آنلاین، پلت‌فرم‌هایی ارائه می‌دهند که از طریق آن کاربران می‌توانند نظرات و اولویت‌های خود را در رابطه با موارد و موضوعات مختلف بیان کنند و با توییت مجدد آن، کاربران و اطلاعات را دنبال کنند. منافع کاربران با هم متفاوت است و مطابق با منافع کاربران می‌توان آن را به گروه‌های چندگانه‌ی دلخواه تقسیم کرد. با این حال هر تعامل و هر کاربری ممکن است قابل اعتماد نباشد. ضبط تعامل کاربران با دیگران و پیش بینی منافع و اعتماد کاربر از تعاملات، بخش‌های مهم روند تحلیل رسانه‌ی اجتماعی هستند. در این مقاله روش خوشه‌بندی جامعه را برای تشخیص ضمنی جامعه مبتنی بر مدلسازی منافع و علایق پیشنهاد می‌کنیم. مدلسازی اعتماد با توجه به علایق کاربران وزن‌دهی می‌شود به گونه‌ای که کاربران چندین خوشه، شباهت علایق و اعتماد بالاتری در درون خوشه به یکدیگر دارند. الگوریتم پیشنهادی خوشه بندی جامعه با رتبه‌بندی گره‌ها با درجه‌ی وزن‌دار آغاز می‌شود و سپس مراکز اولیه‌ی جامعه انتخاب می‌شوند که این مراکز همسایه‌ی یکدیگر نیستند. سپس کاربر را به جامعه‌ای انتساب می‌دهیم که شباهت اعتماد و علایق او با آن گروه بالاتر است و توپولوژی اتصالات مشترک بالاتری دارد. سپس یک مدل اعتماد احتمالاتی ارائه می‌کنیم که اعتماد قابل اعتماد ناشناخته بین کاربران را با توجه به دوستان خود پیش بینی کنیم. ما علایق کاربران را بر اساس ترجیحات و اولویت‌ها مدل می‌کنیم و همچنین محتوای لحاظ شده در رسانه‌های اجتماعی را نیز در نظر می‌گیریم. علاوه بر این الگوریتم پیشنهادی را ارزیابی می‌کنیم و برای این منظور مجموعه داده‌های عمومی را با الگوریتم‌های شناخته شده برای کیفیت خوشه‌بندی مقایسه می‌کنیم.

Online social networking websites provide platforms through which users can express opinions and preferences on a multitude of items and topics, and follow users and information, and flood it by retweeting. User-user interests vary, and based on the users’ interests, they can be grouped to multiple implicit interest communities. However, every interaction and user may not be trustworthy. Capturing the user’s interaction with others, and predicting user interest and trust from the interactions are important parts of social media analytics. In this paper, we propose community clustering for implicit community detection based on trust and interest modeling. The trust modeling is weighted by the user’s interests to group the users in multiple clusters having higher interest and trust similarity within a cluster. The proposed community clustering algorithm begins by ranking the nodes by the weighted degree and then selecting the initial community centers that are not in the neighbors of each other’s. We then assign the user to the community with whom the user has the higher interest and trust similarity and higher common connections topology. We provide a probabilistic trust model to predict the unknown reliable trust between users considering their friends. We model user interests based on preferences and opinions, as well as the content experienced in social media. Furthermore, we evaluate the proposed algorithm comparing publicly available datasets with well-known algorithms for clustering quality.