بررسی امکان سوگیری الگوریتم های توصیه ناشی از رفتار رتبه بندی کاربران در شبکه های اجتماعی آنلاین

الموضوعات :

مهدی صفرپور ¹ ( دانشگاه آزاد اسلامی واحد شیراز )
سید هادی یعقوبیان ² ( دانشگاه آزاد اسلامی واحد یاسوج )
کرم الله باقری فرد ³ ( دانشگاه آزاد اسلامی واحد یاسوج )
راضیه ملک حسینی ⁴ ( دانشگاه آزاد اسلامی واحد یاسوج )
صمد نجاتیان ⁵ ( دانشگاه آزاد اسلامی واحد یاسوج )

تاريخ الإرسال : 26 الأحد , جمادى الأولى, 1445 تاريخ التأكيد : 26 الأربعاء , رجب, 1445 تاريخ الإصدار : 23 الثلاثاء , رمضان, 1445

الکلمات المفتاحية: شبکه های اجتماعی, فیلترینگ مشترک, پیش بینی رفتار کاربران, روابط اجتماعی پایدار,

ملخص المقالة :

با افزایش ضریب نفوذ شبکه های اجتماعی آنلاین، نقش الگوریتم های توصیه کننده در این پلت فرم ها بیشتر مورد توجه قرار می گیرد و بررسی صحت کارکرد این الگوریتم ها در ارائه توصیه های مناسب حائز اهمیت می باشد. تحقیقات ما نشان می دهد با حضور اطرافیان و آشنایان فرد در شبکه های اجتماعی، شاهد رفتارهایی از سوی کاربران در این شبکه ها هستیم که بیشتر جنبه روانشناسی دارد و بسیاری از کنش های کاربران روی یک پست از احترام یا نزدیکی فرد با صاحب پست نشات می گیرد. این مقاله با نشان دادن قابل پیش بینی بودن رفتار کاربران در قبال پست های منتشر شده توسط دوستان و آشنایان، نقش ارتباطات عاطفی نشات گرفته از روابط اجتماعی پایدار را در پذیرش یک پست بررسی می کند و امکان ارائه توصیه های اشتباه در الگوریتم های مبتنی بر فیلترینگ مشترک به دلیل این سوگیری داده ها را نشان می دهد.

المصادر:

[1] M. Yang, S. Zhang, H. Zhang, and J. Xia, “A new user behavior evaluation method in online social network,” J. Inf. Secur. Appl., vol. 47, pp. 217–222, 2019.#
[2] M. G. Campana and F. Delmastro, “Recommender systems for online and mobile social networks: A survey,” Online Soc. Netw. Media, vol. 3–4, pp. 75–97, 2017.#
[3] J.-H. Kang and K. Lerman, “LA-CTR: A limited attention collaborative topic regression for social media,” arXiv [cs.IR], 2013.#
[4] C. C. Aggarwal, Recommender Systems: The Textbook, 1st ed. Cham, Switzerland: Springer International Publishing, 2016.#
[5] F. C. T. Chua, H. W. Lauw, and E.-P. Lim, “Generative models for item adoptions using social correlation,” IEEE Trans. Knowl. Data Eng., vol. 25, no. 9, pp. 2036–2048, 2013.#
[6] N. D. Rodríguez, M. P. Cuéllar, J. Lilius, and M. D. Calvo-Flores, “A survey on ontologies for human behavior recognition,” ACM Comput. Surv., vol. 46, no. 4, pp. 1–33, 2014.#
[7] B. L. Bianca, “The user behavior analysis based on text messages using parafac and block term decomposition,” Int. J. Adv. Comput. Sci. Appl., vol. 9, no. 10, 2018.#
[8] N. O. Hodas and K. Lerman, “How visibility and divided attention constrain social contagion,” arXiv [physics.soc-ph], 2012.#
[9] R. I. M. Dunbar and S. Shultz, “Evolution in the social brain,” Science, vol. 317, no. 5843, pp. 1344–1347, 2007.#
[10] G. Buscher, E. Cutrell, and M. R. Morris, “What do you see when you’re surfing?: Using eye tracking to predict salient regions of web pages,” in Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 2009.#
[11] M. Aivazoglou et al., “A fine-grained social network recommender system,” Soc. Netw. Anal. Min., vol. 10, no. 1, 2020.#
[12] D. Agarwal and B.-C. Chen, “fLDA: Matrix factorization through latent dirichlet allocation,” in Proceedings of the Third ACM International Conference on Web Search and Data Mining - WSDM ’10, 2010.#
[13] D. Bokde, S. Girase, and D. Mukhopadhyay, “Matrix factorization model in collaborative filtering algorithms: A survey,” Procedia Comput. Sci., vol. 49, pp. 136–146, 2015.#
[14] S. Purushotham, Y. Liu, and C.-C. J. Kuo, “Collaborative topic regression with social matrix factorization for recommendation systems,” arXiv [cs.IR], 2012.#
[15] Z. Sun et al., “Recommender systems based on social networks,” J. Syst. Softw., vol. 99, pp. 109–119, 2015.#
[16] Z. Li, F. Xiong, X. Wang, Z. Guan, and H. Chen, “Mining heterogeneous influence and indirect trust for recommendation,” IEEE Access, vol. 8, pp. 21282–21290, 2020.#
[17] W. Fan, Y. Ma, D. Yin, J. Wang, J. Tang, and Q. Li, “Deep social collaborative filtering,” in Proceedings of the 13th ACM Conference on Recommender Systems, 2019.#
[18] V. Arnaboldi, M. G. Campana, F. Delmastro, and E. Pagani, “PLIERS: A popularity-based recommender system for content dissemination in online social networks,” arXiv [cs.IR], 2023.#
[19] T. M. Newcomb, “Varieties of interpersonal attraction,” in Group dynamics: Research and theory, D. Cartwright and A. Zander, Eds. 1960, pp. 104–119.#
[20] G. L. Clore and D. Byrne, “A reinforcement-affect model of attraction,” in Foundations of Interpersonal Attraction, Elsevier, 1974, pp. 143–170.#
[21] M. McPherson, L. Smith-Lovin, and J. M. Cook, “Birds of a feather: Homophily in social networks,” Annu. Rev. Sociol., vol. 27, no. 1, pp. 415–444, 2001.#
[22] R. Hyon, A. M. Kleinbaum, and C. Parkinson, “Social network proximity predicts similar trajectories of psychological states: Evidence from multi-voxel spatiotemporal dynamics,” Neuroimage, vol. 216, no. 116492, p. 116492, 2020.#
[23] R. I. M. Dunbar, “Neocortex size as a constraint on group size in primates,” J. Hum. Evol., vol. 22, no. 6, pp. 469–493, 1992.#
[24] B. Gonçalves, N. Perra, and A. Vespignani, “Modeling users’ activity on twitter networks: Validation of dunbar’s number,” PLoS One, vol. 6, no. 8, p. e22656, 2011.#
[25] R. I. M. Dunbar, “Do online social media cut through the constraints that limit the size of offline social networks?,” R. Soc. Open Sci., vol. 3, no. 1, p. 150292, 2016.#
[26] H. Yin, B. Cui, L. Chen, Z. Hu, and Z. Huang, “A temporal context-aware model for user behavior modeling in social media systems,” in Proceedings of the 2014 ACM SIGMOD International Conference on Management of Data, 2014.#
[27] N. O. Hodas and K. Lerman, “How visibility and divided attention constrain social contagion,” in 2012 International Conference on Privacy, Security, Risk and Trust and 2012 International Confernece on Social Computing, 2012.#
[28] R. I. M. Dunbar and S. Shultz, “Understanding primate brain evolution,” Philos. Trans. R. Soc. Lond. B Biol. Sci., vol. 362, no. 1480, pp. 649–658, 2007.#