بهره گیری از دانش جمعیت شناختی و یادگیری مشارکتی در طراحی سیستمهای پیشنهاددهنده درجهت کشف و پیش بینی روابط مشکوک در شبکه های اجتماعی

در سالهای اخیر، سیستم های پیشنهاددهنده به عنوان یکی از اجزای بنیادین ارائه خدمات هوشمند در شبکه های اجتماعی فناور محور مطرح شده اند. این سیستم های توصیه گر با بهره-گیری از تحلیل تعاملات و الگوهای رفتاری و دستیابی به اطلاعات تاریخچه ای کاربران، قادر به پیش بینی پیوندها و پیشنهاد محتوای مناسب می باشند. اگرچه، چالش هایی نظیر مشکل شروع سرد و پراکندگی داده ها، عملکرد بسیاری از رویکردهای موجود را تحت تاثیر قرار داده است. لذا به منظور مواجهه با برخی چالش های موجود، در این مقاله یک سیستم پیشنهاددهنده ترکیبی جدید معرفی شده است که با بهره گیری از دانش جمعیت شناختی و تکنیک یادگیری مشارکتی، ضمن کاهش اثرات مشکل شروع سرد و پراکندگی داده، در جهت کشف روابط مشکوک و پیش بینی جرایم در شبکه های اجتماعی کاربرد داشته و دقت پیش بینی ها و صحت پیشنهادات را افزایش داده است. این روش با تحلیل آماری و تلفیق معیارهای شباهت ترکیبی و استفاده از رویکرد خوشه بندی کاربران، قادر است روابط مشکوک، خطرات و جرایم احتمالی در شبکه های اجتماعی مجازی را کشف نموده و پیشنهادات شخصی سازی شده و به تبع آن پیش بینی های دقیق تری را ارائه نماید. نتایج پیاده سازی سیستم پیشنهادی اثبات کننده کارایی و برتری آن در حل برخی چالش های موجود و ایجاد نمودن افقی جدید در حوزه بکارگیری سیستم های پیشنهاددهنده در چارچوب خدمات پلیس هوشمند می باشد. چنین سیستم های هوشمندی می توانند به ویژه در حوزه های کلیدی مانند جرم کاوی اجتماعی و شناسایی تعاملات، روابط و افراد مشکوک از طریق شبکه های پلیسی کاربرد گسترده ای داشته باشند.

کلیدواژه ها:

پیش بینی جرم ، سیستم پیشنهاددهنده ، امنیت شبکه های اجتماعی ، شناسایی ارتباطات مشکوک ، دانش جمعیت شناختی ، یادگیری مشارکتی