بهبود معضل خلوتی داده در شبکه های اجتماعی با استفاده از تشابه Srank

شبکه های اجتماعی در چند سال اخیر رشد گسترده ای پیدا کرده اند،به گونه ای که امروزه شبکه هایی چون فیسبوک با بیش از یک میلیارد کاربر و تویتر با بیش از 640 میلیون کاربر در صدر جدول مشهورترین شبکه های اجتماعی قرار گرفته اند.این شبکه ها، با دریافت اطلاعات شخصی کاربران و علایق آن ها بزرگ ترین دامنه را در فهم رفتار او دارند و می توانند منبع مناسبی برای بهبود سیستم های توصیه گر باشند. به همین دلیل،دیتاست های این شبکه ها منابع خوبی برای تجارت و بازیابی در این شبکه هاست. کشف کاربران متشابه و خوشه بندی آن ها از دغدغه های اصلی این شبکه ها محسوب می شود و دقت بالای این کشف می تواند در بهبود پیشنهادات در این شبکه ها موثر باشد. الگوریتم ها و روش های زیادی برای کشف تشابه کاربران وجود دارد که در این مقاله،به بررس برخی روش های رایج کشف تشابه ساختاری کاربران مانند Srank و Simrank و خوشه بندی آنان پرداخته می شود. در این روش ها،روابط کاربران با یکدیگر ،علایق و رفتارهای کاربران مورد سنجش قرار می گیرد و افراد با ویژگی ها مشابه به هم در یک خوشه قرار می گیرند. سپس توصیه هایی بر اساس نظر اکثریت کاربران یک خوشه به دیگر اعضای آن ارائه می گردد. دقت بالای توصیه ها منجر به افزایش تعداد کاربران شبکه های اجتماعی و رضایت آن ها می گردد و در پایان نشان داده می شود که میزان دقت الگوریتم Srank از Simrank بیشتر است.

کلیدواژه ها:

شبکه های اجتماعی ، سیستم های توصیه گر ، شباهت ساختاری ، Simrank Srank