توصیه کاربر در پیام‌رسان تلگرام با تحلیل گراف و مدل‌سازی ریاضی رفتار کاربران
محورهای موضوعی :داود کریم‌پور 1 , محمدعلی زارع چاهوکی 2 , علی هاشمی 3
1 - دانشجوی کارشناسی ارشد مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه یزد
2 - استادیار دانشکده مهندسی کامپیوتر، دانشگاه یزد
3 - دانشجوی دکتری مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه یزد
کلید واژه:
چکیده مقاله :
سامانه‌های توصیه‌گر به‌منظور کاهش تولید و پردازش پرس‌وجو به‌وجود آمده‌اند. توصیه کاربران در شبکه‌های اجتماعی و پیام‌رسان‌ها برای کاربران عادی در یافتن دوست و برای بازاریابان جهت یافتن مشتریانی جدید، بسیار مفید است. در شبکه‌های اجتماعی مانند فیس‌بوک، یافتن کاربران هدف برای بازاریابی پیش‌بینی شده است؛ اما در پیام‌رسان‌هایی همچون تلگرام امکانی جهت یافتن جامعه هدف وجود ندارد. در این مقاله با استفاده از گراف و مدل‌سازی رفتار کاربران و همچنین تعریف ویژگی‌هایی مرتبط با گروه‌ها، روشی جهت توصیه کاربران تلگرام، ارائه شده است. روش پیشنهادی دربردارنده هشت گام است و هر یک از گام‌ها، می‌توانند روشی جهت توصیه کاربر درنظر گرفته شوند. مهاجرت، روشی جدید جهت مدل‌سازی علایق کاربران، براساس سوابق عضویت آنان در گروه‌ها است. داده‌های این پژوهش، مجموعه داده‌ای واقعی شامل بیش از 900.000 سوپرگروه و 120میلیون کاربر تلگرامی است. نتایج ارزیابی روش پیشنهادی بر روی 100گروه باکیفیت، حاکی از مؤثر بودن توصیه‌هایی برگرفته از سوابق کاربران و مدل‌سازی رفتار آنان نسبت به‌صرف استفاده از این اطلاعات است. رویکرد پیشنهادی با ارائه گام‌هایی در ادامه روش گروه‌های مشابه که جهت توصیه گروه در تلگرام ارائه شده بود، توانسته میانگین خطای RMSE را از 0.87 به 0.79 و میانگین خطای MAE را از 0.77 به 0.64 کاهش دهد.
Recommender systems on social networks and websites have been developed to reduce the production and processing of queries. The purpose of these systems is to recommend users various items such as books, music, and friends. Users' recommendation on social networks and instant messengers is useful for users to find friends and for marketers to find new customers. On social networks such as Facebook, finding target users for marketing is an integrated feature, but in instant messengers such as Telegram and WhatsApp, it is not possible to find the target community. In this paper, by using graph and modeling the intergroup behavior of users and also defining features related to groups, a method for recommending Telegram users has been presented. The proposed method consists of 8 steps and each step can be considered a separate method for user recommendation. The data used in this paper is a real data set including more than 900,000 supergroups and 120 million Telegram users crawled by the Idekav system. Evaluation of the proposed method on high-quality groups showed an average reduction in error by 0.0812 in RMSE and 0.128 in MAE.
