Mining user interests over active topics on social networks

اختراع منافع کاربران از فعالیت های خود در شبکه های اجتماعی، در سال های اخیر موضوع پژوهشی در حال ظهور است. بسیاری از رویه های موجود به شدت به سهمیه های صریح (پست) یک کاربر تکیه می کنند و منافع ضمنی کاربران را نادیده می گیرند، یعنی منافع کاربر بالقوه که کاربر به صراحت آن را ذکر نکرده اما ممکن است منافع داشته باشد. با توجه به مجموعه ای از موضوعات فعال در یک شبکه اجتماعی در یک بازه زمانی مشخص، هدف ما این است که با توجه به منافع صریح و ضمنی کاربر، یک نمایه علاقه برای کاربر بر روی این موضوعات ایجاد کنیم. دلیل این امر این است که منافع کاربران آزاد و کاربردهای سرد که اکثریت کاربران شبکه اجتماعی را تشکیل می دهند، نمی توانند به طور مستقیم از مشارکت صریح آنها در شبکه های اجتماعی شناسایی شوند. به طور خاص، برای به دست آوردن منافع ضمنی کاربران، پیشنهاد یک طرح پیش بینی پیوند مبتنی بر گراف که بر یک مدل نمایندگی متشکل از سه نوع اطلاعات است: مشارکت صریح کاربر در موضوعات، روابط بین کاربران و ارتباط بین موضوعات. با انجام آزمایش های گسترده در مورد انواع مختلف مدل نمایندگی ما و با درنظر گرفتن هر دو پیش بینی پیوندی همگن و ناهمگن، ما بررسی می کنیم که ارتباط موضوع و رابطه ی هموفیلی کاربران بر کیفیت منافع ضمانت شده ی کاربران تاثیر می گذارد. مقایسات با مبانی پیشرفته در یک دیتاست دیتای دیتا در دنیای واقعی، اثربخشی مدل ما را در به دست آوردن منافع کاربران از نظر پیچیدگی و در بستر برنامه پیش بینی بازتولید نشان می دهد. علاوه بر این، ما همچنان نشان می دهیم که تأثیر کار ما به ویژه هنگامی که در مورد افراد آزاد و کاربران سرد شروع می شود، بسیار معنی دار است.