اکتشاف کاربران پرنفوذ در بستر رسانه های اجتماعی با استفاده از تکنیک شبکه عصبی مصنوعی در پایتون به منظور بهبود عملکرد بازاریابی اینترنتی
محورهای موضوعی : آینده پژوهیحسین امامی راد 1 , عباس اسدی 2
1 - دانشجوی کارشناسی ارشد، گروه فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - استادیار، گروه مدیریت بازاریابی، واحد ورامین- پیشوا، دانشگاه آزاد اسلامی، ورامین، ایران(نویسنده مسئول)
کلید واژه: شبکه های اجتماعی, کاربران پر نفوذ, یادگیری عمیق, بازاریابی اینترنتی, پایتون,
چکیده مقاله :
در سال های اخیر با حضور رسانه های اجتماعی ، بیشتر از قبل بحث تحلیل رفتار کاربران بر حسب داده های آنها مطرح شده است. در این سال ها ، سازمان ها و شرکت های بزرگ علاقمند به سرمایه گذاری بر روی داده ها هستند تا بتوانند مشتریان خود را بهتر درک کنند. یکی از بحث های بسیار مهم در حوزه علم داده ، تشخیص کاربران پرنفوذ است. این کاربران می توانند با تاثیر گذاری بیشتر بر روی سایر کاربران خرید محصولات و سرویس های سازمان ها را افزایش دهند و هزینه های تبلیغات و جذب مشتری را کاهش دهند. هدف از این مساله بهبود عملکرد تبلیغات و بازاریابی است.برای تشخیص این کاربران از مجموعه داده توییتر استفاده شده است و بر حسب مدل کریسپ ابتدا داده ها جمع آوری شده است ، بعد داده ها تمییز می شود ، در نهایت مدلسازی و ارزیابی می شود. در بحث مدلسازی از الگوریتم های یادگیری عمیق استفاده شده است و در مرحله ارزیابی این مدل با سایر مدل های یادگیری ماشین که شامل شبکه بیزین ، جنگل تصادفی و ماشین بردار پشتیبان مقایسه شده است. با استفاده از روش های ارزیابی موجود در علم داده که شامل معیار حساسیت ، معیار تشخیص و معیار دقت و F-measure است . مدل پیشنهادی از سایر مدل های مرسوم ذکر شده ، بهتر بوده است.در نتیجه روش پیشنهادی عملکرد بهتری خواهد داشت.
In recent years, with the advent of social media, the discussion of analyzing user behavior based on their data has gained more attention than ever. During these years, organizations and large companies are interested in investing in data to better understand their customers. One of the crucial topics in the field of data science is the identification of influential users. These users can increase product and service purchases and reduce advertising and customer acquisition costs by exerting more influence on other users. The aim of this issue is to improve advertising and marketing performance. To identify these users, Twitter data has been used, and, according to the crisp model, data is first collected, then preprocessed, and finally modeled and evaluated. Deep learning algorithms have been used for modeling, and in the evaluation phase, this model has been compared to other machine learning models, including Bayesian networks, random forests, and support vector machines. Using data science evaluation methods, including sensitivity, specificity, accuracy, and F-measure, the proposed model has outperformed traditional models. Therefore, the proposed method is expected to have better performance.
