Collective behavior learning by differentiating personal preference from peer influence

داده های شبکه ای که توسط رسانه های اجتماعی تولید می شوند، فرصت ها و چالش هایی را برای مطالعه رفتار جمعی در یک محیط شبکه اجتماعی ارائه می دهند. در این مقاله، ما بر طبقه بندی چند لایک در داده های شبکه متمرکز می شویم، که رفتارها به عنوان برچسب نشان داده می شوند و فرد می تواند برچسب های متعدد داشته باشد. شیوه های یادگیری فعلی، ارتباطات افراد را مورد بهره برداری قرار می دهد و آنها عملکرد بهترتری نسبت به روش های طبقه بندی سنتی چند لایک نشان داده اند. با این حال، رفتار فردی ممکن است تحت تاثیر عوامل دیگر، به ویژه ترجیح شخصی. از این رو، ما یک رویکرد جدید را پیشنهاد می کنیم که تجزیه و تحلیل علیت را به دسته بندی چند لایحه برای به دست آوردن رفتارهای جمعی ادغام می کند. ما تطابق نمره گرایش و برآورد اثرات علمی را برای تشخیص مشارکت نفوذ همکار و اولویت شخصی در رفتار جمعی و ترکیب یافته ها در طراحی طبقه بندی می کنیم. ما بیشتر در مورد ناهمگونی رفتار در زیر گروه ها در شبکه های اجتماعی مطالعه می کنیم، زیرا افرادی که دارای ویژگی های جمعیتی متفاوت هستند ممکن است به دلیل تاثیرات متفاوتی از نفوذ همسالان و اولویت های شخصی رفتار کنند. ما مقادیر عددی مقادیری را تخمین می زنیم تا تاثیرات نفوذ همسالان و اولویت های شخصی را در زیر گروه های مختلف در شبکه های اجتماعی بررسی کنیم. آزمایشات در مجموعه داده های دنیای واقعی نشان می دهد که روش های پیشنهادی ما بهبود عملکرد طبقه بندی را نسبت به روش های موجود بهبود می بخشد.