مشخصات مقاله:
عنوان فارسی مقاله:
پیش بینی شخصیت کاربر با کاوش در تعاملات اجتماعی در فیس بوک
عنوان انگلیسی مقاله:
Predicting user personality by mining social interactions in Facebook
کلمات کلیدی مقاله:
داده کاوی در شبکه های اجتماعی، مدلسازی کاربر، استنباط شخصیت
مناسب برای رشته های دانشگاهی زیر:
مهندسی فناوری اطلاعات
مناسب برای گرایش های دانشگاهی زیر:
اینترنت و شبکه های گسترده
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1.انگیزه
2. تکنولوژی جدید
3.شخصیت و جمع اوری داده های تعامل
3.1 مدلهای شخصیت
3.2 جمع اوری داده TP2010
4. توصیف داده جمع اوری شده
4.1 توصیف مجموعه داده
4.2 آمار
5.ساخت رده بندی کننده شخصیت
6. نتایج
6.1 پیش بینی شخصیت با مدل رده 3
7. نتیجه گیری ها و کار آینده
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Adaptive applications may benefit from having models of users’ personality to adapt their behavior accordingly. There is a wide variety of domains in which this can be useful, i.e., assistive technologies, e-learning, e-commerce, health care or recommender systems, among others. The most commonly used procedure to obtain the user personality consists of asking the user to fill in questionnaires. However, on one hand, it would be desirable to obtain the user personality as unobtrusively as possible, yet without compromising the reliability of the model built. On the other hand, our hypothesis is that users with similar personality are expected to show common behavioral patterns when interacting through virtual social networks, and that these patterns can be mined in order to predict the tendency of a user personality. With the goal of inferring personality from the analysis of user interactions within social networks, we have developed TP2010, a Facebook application. It has been used to collect information about the personality traits of more than 20,000 users, along with their interactions within Facebook. Based on all the collected data, automatic classifiers were trained by using different machine-learning techniques, with the purpose of looking for interaction patterns that provide information about the users’ personality traits. These classifiers are able to predict user personality starting from parameters related to user interactions, such as the number of friends or the number of wall posts. The results show that the classifiers have a high level of accuracy, making the proposed approach a reliable method for predicting the user personality
چکیده
اپلیکیشن های تطبیقی ممکن است از داشتن مدلهای شخصیت کاربران برای تطبیق طبق رفتارشان، بهره ببرند.انواع گسترده ای از حوزه ها وجود دارند که در آنها این مسئله ممکن است مفید باشد، یعنی فناوری های کمک کننده، یادگیری الکترونیکی، تجارت الکترونیک، مراقبت از سلامت یا سیستم های توصیه کننده و بقیه موارد.رایج ترین راه کار استفاده شده برای کسب شخصیت کاربر از درخواست پر کردن پرسشنامه ها از کاربر تشکیل میشود. با این وجود، از یک سو، بدست آوردن شخصیت کاربر به گونه ای که تا حد امکان بدون جسارت باشد، مطلوب خواهد بود، و در عین حال با قابلیت اطمینان مدل ساخته شده، سازگار باشد.از سوی دیگر، فرضیه ی ما این است که کاربران دارای شخصیت مشابه، انتظار میرود ،الگوهای رفتاری مشترک را در زمان تعامل از طریق شبکه های اجتماعی مجازی، نشان دهند و این الگوها ممکن است برای پیش بینی تمایل شخصیت یک کاربر، مورد کاوش قرار گیرند. با هدف استنباط شخصیت از تحلیل تعاملات کاربر در شبکه های اجتماعی ،ما TP2010 را توسعه داده ایم،که یک اپلیکیشن فیس بوک است.آن برای جمع اوری اطلاعات در زمینه ی ویژگی های شخصیتی بیش از 20.000 کاربر ، در طول تعاملات در فیس بوک، بکار رفته است.بر اساس کل داده های جمع اوری شده، رده بندی کننده های خودکار با استفاده از تکنیک های یادگیری ماشینی مختلف، با هدف جستجوی الگوهای تعامل، آموزش دیدند که اطلاعاتی را در زمینه ی صفات شخصیت کاربران ارائه میدهد.این رده بندی کننده ها میتوانند شخصیت کاربر را پیش بینی نمایند که از پارامترهای مربوط به تعاملات کاربران شروع میشود همانند تعداد دوستان یا تعداد وال پست ها.نتایج نشان میدهد رده بندی کننده ها دارای میزان دقت بالایی هستند ،دستاورد پیشنهاد شده را به یک روش قابل اعتماد برای پیش بینی شخصیت کاربر، تبدیل میکنند.