ارائه مدلی برای تخمین میزان برون‌گرایی اعضای شبکه اجتماعی با استفاده از اطلاعات ساختار گراف

با آگاهی از شخصیت اعضای شبکه‌های اجتماعی می‌توان بسیاری از سرویس‌های ارائه شده به این افراد را بهبود بخشید و یا از این اطلاعات برای بهبود روابط اعضای شبکه اجتماعی با یکدیگر استفاده کرد. یک روش برای تخمین شخصیت اعضای شبکه‌های اجتماعی استفاده صریح از پرسشنامه‌های شخصیتی است. ولی بسیاری افراد این کار را نقض حریم شخصی خود می‌دانند و یا تمایلی به صرف وقت برای پرکردن پرسشنامه ندارند. به همین دلیل نیاز است ویژگی‌های شخصیتی اعضا به صورت غیرمستقیم تخمین زده شود. روش‌هایی که برای این منظور در تحقیقات پیشین ارائه شده‌اند همگی نیازمند دسترسی به پروفایل و اطلاعات محتوایی و متنی اعضا هستند. درحالیکه دسترسی به این اطلاعات همواره امکان‌پذیر نیست و می‌تواند موجب نقض حریم خصوصی افراد گردد. در این مقاله مدلی ارائه می‌شود که به صورت غیرمستقیم و بدون نقض حریم خصوصی افراد، تنها با در اختیار ‌داشتن اطلاعاتی راجع به ساختار گرافی که حول هر عضو شبکه اجتماعی وجود دارد، می‌تواند میزان برون‌گرایی آن عضو را تخمین بزند. برای ایجاد این مدل، ابتدا داده‌های مربوط به تعدادی از اعضای شبکه اجتماعی جمع‌آوری شده‌ است. سپس با استفاده از دو روش برنامه‌نویسی ژنتیک و قوانین رگرسیون m5 بر روی این داده‌ها، روابطی استخراج شده‌اند که با دریافت سه ویژگی از ساختار گراف هر عضو شبکه اجتماعی می‌توانند میزان برون‌گرایی او را تخمین بزنند. نتایج نشان می‌دهد که این دو روش با دقت بالایی این تخمین را انجام می‌دهند. همچنین، مدل حاصل از برنامه‌نویسی ژنتیک در مقایسه با رگرسیون m5، دقت بالا‌تر و پیچیدگی محاسباتی کمتری دارد.

Developing a Model for Estimating the Extraversion Degree of Social Network Members Using the Information Extracted from the Graph Structure

Having knowledge about the personality of social network members can improve the social network services. This knowledge also can be applied to improve the interactions of social network members. The personality characteristics of social network members can be estimated via personality questionnaires. However, usually people are not interested in filling these questionnaires because it may violate their privacy. So, their personality characteristics should be estimated implicitly. In previous researches some methods have been presented to estimate the personality of social network members implicitly. However, these methods require the users’ profile and contextual information that is not accessible in most of the cases. In this paper, a model is presented which can estimate the extraversion degree of social network members implicitly using information extracted from the graph structure around each member. To develop this model, first, a dataset of social network members are collected. Then, by applying genetic programming and M5 regression on this dataset, some relations are extracted to estimate the extraversion degree of each member. The results of our model show high accuracy. In addition, the model extracted by genetic programming has higher accuracy and lower computational complexity compared to M5 regression.