مدیریت وجوه گمشده مبتنی بر یادگیری تﻘابلی در ادغام داده های چندوجهی برای تشخیص افسردگی در شبکه های اجتماعی

تحلیل داده های شبکه های اجتماعی اهمیت بنیادینی در استخراج الگوهای رفتاری کاربران دارد. مدل های چندوجهی که ترکیبی از اطلاعات متنی، تصویری و سایر منابع را بهکار می گیرند، ابزارهای مناسبی برای این دست از تحلیلها هستند. بااینحال، چالشی اساسی در این مدلها، فﻘدان برخی وجوه در بخشی از نمونههای داده است؛ برای نمونه، کاربری ممکن است تنها متن منتشر کند و هیچ تصویری به اشتراک نگذارد. این مسیله سبب می شود مدلهای چندوجهی نتوانند از تمامی اطلاعات موجود بهطور کامل بهرهبرداری کنند. در این مﻘاله، روشی برای بهرهگیری از دادههای ناقص در مدلهای چندوجهی ارایه شده است. ابتدا، مدل های تکوجهی برای پردازش هر وجه بهصورت مستﻘل ﺁموزش داده شدند. سپس، یک رمزگذار مبتنی بر یادگیری تﻘابلی طراحی و ﺁموزش داده شد که هدف ﺁن، برﺁورد بردار ویژگی وجوه گمشده با اتکا به ویژگیهای وجوه موجود است. در نهایت، داده های متنی و تصویری ) واقعی یا بازسازیشده (در یک مدل چندوجهی ادغام شده و برای تحلیل رفتار کاربران مورد استفاده قرار گرفت. نتایج ﺁزمایشها بر روی دادگان MDDL و بر پایه ی معیارهای دقت و F۱ نشان می دهند که مدل چندوجهی پیشنهادی، با دقت ۱۷/۹۰ درصد و امتیاز F۱ برابر با ۶۴/۹۰درصد، عملکرد بهتری نسبت به مدل های تک وجهی مبتنی بر متن (۸۷/۸۷درصد دقت) و تصویر (۳۷/۷۳درصد دقت) دارد. این نتایج موید ﺁن است که مدل پیشنهادی، بدون نیاز به حذف دادههای ناقص، از اطلاعات موجود بهطور موثر بهرهبرداری می کند.

کلیدواژه ها:

مدل های چندوجهی ، وجه گمشده ، ادغام دادههای چندوجهی ، یادگیری تﻘابلی ، شبکه های اجتماعی