پیش‌بینی تیپ شخصیتی کاربران براساس روابط ضمنی در شبکه‌های اجنماعی چندگانه

Abstract

امروزه تحلیل رفتار کاربران در شبکه‌های اجتماعی برای درک ویژگی‌های روانشناختی اهمیت فزاینده‌ای یافته است. باتوجه‌به حضور همزمان کاربران در شبکه‌های اجتماعی متنوع، ساختاردهی داده‌های استخراج ‌شده از این پلتفرم‌ها در قالب یک شبکه‌ی چندگانه می‌توانند اطلاعات ارزشمندی را ارائه دهند. با این حال، رویکردهای مرسوم به دلیل اتکا بر روابط صریح که اغلب خصوصی هستند و همچنین استفاده از داده‌های تک‌منبعی، دارای محدودیت می‌باشند. بنابراین، در این مقاله یک چارچوب نوین دو مرحله‌ای برای پیش‌بینی تیپ شخصیتی کاربران ارائه شده است که نوآوری اصلی آن، استفاده از شبکه‌ی روابط ضمنی استخراج ‌شده از داده‌های چندمنبعه و چندحالته شامل متن، تصویر و اطلاعات مکانی به جای تکیه بر روابط صریح دوستی کاربران است. در مرحله‌ی اول، ابتدا با استفاده از یک رویکرد تکاملی چندهدفه (MOEA/D-TS) ساختار جوامع در شبکه‌ی چندگانه شناسایی شده و سپس با استفاده از یک روش پیش‌بینی پیوند (CLPES)، شبکه روابط ضمنی میان کاربران استخراج می‌گردد. در مرحله‌ی دوم، از شبکه‌ی حاصل‌‌ به عنوان یک منبع اطلاعاتی غنی در یک چارچوب مبتنی‌بر روش‌های یادگیری ماشین به‌منظور پیش‌بینی تیپ شخصیتی کاربران بهره‌گیری می‌شود. ارزیابی‌ها برتری قابل توجه چارچوب پیشنهادی را نشان می‌دهد به‌طوری که مدل نهایی با استفاده از جنگل تصادفی و همجوشی هر سه منبع داده، به میانگین امتیاز Macro-F1 برابر با 0.673 دست یافت که نشان‌دهنده بهبود عملکردی به طور میانگین به میزان ۲۳ درصد نسبت به مدل‌های تک‌منبعه است. این یافته، ارزش راهبرد تحلیل روابط ضمنی و همجوشی داده‌های چندمنبعه را برای درک عمیق‌تر شخصیت کاربران تأیید می‌کند.