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، سیستم‌های پیشنهاددهنده به عنوان یکی از اجزای بنیادین ارائه خدمات هوشمند در شبکه‌های اجتماعی فناور محور مطرح شده‌اند. این سیستم‌های توصیه‌گر با بهره گیری از تحلیل تعاملات و الگوهای رفتاری و دستیابی به اطلاعات تاریخچه‌ای کاربران، قادر به پیش بینی پیوندها و پیشنهاد محتوای مناسب‌ می‌باشند. اگرچه، چالش‌هایی نظیر مشکل شروع سرد و پراکندگی داده‌ها، عملکرد بسیاری از رویکردهای موجود را تحت تاثیر قرار داده‌ است. لذا به منظور مواجهه با برخی چالش‌های موجود، در این مقاله یک سیستم پیشنهاددهنده ترکیبی جدید معرفی شده است که با بهره‌گیری از دانش جمعیت‌شناختی و تکنیک یادگیری مشارکتی، ضمن کاهش اثرات مشکل شروع سرد و پراکندگی داده، در جهت کشف روابط مشکوک و پیش بینی جرایم در شبکه‌های اجتماعی کاربرد داشته و دقت پیش‌بینی‌ها و صحت پیشنهادات را افزایش داده است. این روش با تحلیل آماری و تلفیق معیارهای شباهت ترکیبی و استفاده از رویکرد خوشه‌بندی کاربران، قادر است روابط مشکوک، خطرات و جرایم احتمالی در شبکه‌های اجتماعی مجازی را کشف نموده و پیشنهادات شخصی‌سازی‌شده و به تبع‌آن پیش‌بینی‌های دقیق‌تری را ارائه نماید. نتایج پیاده‌سازی 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 می‌باشد. چنین سیستم‌های هوشمندی می‌توانند به‌ویژه در حوزه‌های کلیدی مانند جرم‌کاوی اجتماعی و شناسایی تعاملات، روابط و افراد مشکوک از طریق شبکه‌های پلیسی کاربرد گسترده‌ای داشته باشند.

using demographic knowledge and collaborative learning in design of recommendersystems toward suspicious relationships discovery in social networks

in recent years, recommender systems have emerged as a fundamental component of providing intelligent services in the technology-based social networks. these suggestion systems are able to predict links and suggest appropriate content by analyzing interactions and behavioral patterns and accessing historical information of users. however, challenges such as the cold start and data sparsity affected the applicability of many existing approaches. therefore, in order to face some of the existing challenges, this paper proposed a novel hybrid recommender system that, utilizing demographic knowledge and collaborative learning technique to reduce the effects of the cold start and data sparsity, discover hidden relationships, predict target links in social networks, and increases the accuracy of predictions and recommendations. proposed approach uses the statistical analysis and a hybrid similarity measure with user clustering approach. the results of implementing the proposed system prove its efficiency and superiority in solving some existing challenges and creating a new horizon in the field of using recommender systems within the smart police services. such systems can be widely used, especially in key areas such as social crime analysis, identifying suspicious interactions, relationships through police networks.