تشخیص میزان موثر بودن گره های جدید در شبکه های اجتماعی با استفاده از ماشین بردار پشتیبان

دسته بندی موضوعی : برنامه ریزی درسی و آموزشی

زبان : فارسی

نوع فایل : PDF

تعداد صفحات : 38

وضعیت : این مقاله توسط هیات داوران پایگاه ایران ژورنال داوری شده است
فصل نامه علمی تخصصی پژوهش برتر - سال اول شماره دوم - تابستان 1404

نویسندگان :
سمانه حکیمی نژاد کارشناسی ارشد مهندسی کامپیوتر

ثبت شده توسط : ایران ژورنال

لینک مستقیم مقاله : https://iran-journals.com/doc/2411

چکیده فارسی :

با گسترش پلتفرم‌های شبکه‌های اجتماعی و شکل‌گیری ساختارهای پیچیده تعاملات کاربری، ارزیابی میزان اثرگذاری گره‌های جدید (کاربران تازه‌وارد) در پویایی شبکه به یک چالش اساسی در تحلیل شبکه‌های اجتماعی تبدیل شده است. در این پژوهش، رویکردی مبتنی بر ماشین بردار پشتیبان (SVM) برای تشخیص و پیش‌بینی میزان مؤثر بودن گره‌های جدید در شبکه‌های اجتماعی ارائه می‌شود. بدین منظور، ابتدا یک چارچوب استخراج ویژگی چندبعدی طراحی شده است که در آن، برای هر گره جدید مجموعه‌ای از شاخص‌های ساختاری و رفتاری شامل درجه ورودی و خروجی، بینابینی، نزدیکی، بردار ویژه، ضریب خوشه‌بندی موضعی، سرعت رشد درجه در بازه‌های زمانی اولیه، نرخ تعاملات دوطرفه، نرخ بازنشر/بازنشر مجدد (Share/Retweet Ratio)، و نرخ تبدیل مشاهده به تعامل (Engagement Conversion Rate) محاسبه می‌گردد. سپس با استفاده از داده‌های واقعی حاصل از یک شبکه اجتماعی بزرگ‌مقیاس (شامل حدوداً ۵۰٬۰۰۰ گره جدید و بیش از ۱٫۲ میلیون یال تعاملی در بازه زمانی ۶ ماهه)، برچسب «میزان اثرگذاری» بر اساس ترکیبی وزنی از معیارهایی نظیر میانگین تعداد تعاملات دریافتی، ضریب انتشار محتوا و عمق زنجیره بازنشر تعریف و به سه سطح «کم‌اثر»، «میان‌اثر» و «بسیار مؤثر» تفکیک می‌شود. مدل SVM با هسته‌های متفاوت (خطی، RBF و پلی‌نومیال) آموزش داده شده و عملکرد آن با روش اعتبارسنجی متقاطع k-تایی و معیارهای دقت (Accuracy)، دقت مثبت (Precision)، بازخوانی (Recall) و میانگین هارمونیک آن‌ها (F1-score) ارزیابی می‌گردد. نتایج تجربی نشان می‌دهد که هسته RBF با تنظیم بهینه ابرپارامترها (Cⓜ,γ)قادر است دقت کلی حدود ۹۱٪، میانگین F1 حدود ۰٫۸۹ و ضریب کاپای کوهن حدود ۰٫۸۶ را در طبقه‌بندی سطوح اثرگذاری گره‌های جدید به دست آورد؛ در حالی که مدل‌های مبنای مقایسه، شامل رگرسیون لجستیک و جنگل تصادفی، به ترتیب دقت‌های ۸۳٪ و ۸۷٪ را حاصل می‌کنند. تحلیل حساسیت ویژگی‌ها و محاسبه وزن نسبی آن‌ها حاکی از آن است که شاخص‌های بینابینی، سرعت رشد درجه در دو هفته اول، و نسبت تعاملات دوطرفه نقش غالب در تشخیص گره‌های بسیار مؤثر دارند. تحلیل‌های تکمیلی نیز نشان می‌دهد که مدل پیشنهادی قادر است با یک پنجره زمانی مشاهده بسیار کوتاه (مثلاً ۷ تا ۱۴ روز فعالیت اولیه) با خطای کمتر از ۱۰٪، اثرگذاری نهایی گره را در افق‌های زمانی بلندمدت‌تر پیش‌بینی نماید. نتایج این پژوهش بیانگر کارایی بالای ماشین بردار پشتیبان در مدل‌سازی رابطه غیرخطی و پیچیده بین ساختار موضعی شبکه، الگوهای رفتاری اولیه و اثرگذاری آتی گره‌های جدید است و می‌تواند به عنوان ابزاری عملی برای پلتفرم‌های شبکه اجتماعی در جهت شناسایی زودهنگام کاربران کلیدی، بهینه‌سازی راهبردهای توصیه محتوا، مدیریت کمپین‌های بازاریابی ویروسی و تقویت تاب‌آوری شبکه در برابر انتشار اطلاعات نادرست مورد استفاده قرار گیرد.

کلمات کلیدی فارسی :
گره های جدید، شبکه های اجتماعی، بردار، بردار پشتیبان.