|
Title
|
شناسايي جوامع در شبكه هاي اجتماعي بر اساس محتوا
|
|
Type
|
Thesis
|
|
Keywords
|
شناسايي مواضع؛ شناسايي جوامع؛ شبكه هاي اجتماعي؛ تحليل محتوا؛ دسته بندي؛ مدلسازي شبكه؛ نظركاوي
|
|
Abstract
|
اين پژوهش با استفاده از روشهاي شناسايي جوامع به ارائه يك مدل براي بهبود شناسايي مواضع
و قطبيت افراد در شبكه هاي اجتماعي با كمك از مدلهاي يادگيري ماشين مانند SVM و
BERT ميپردازد. با توجه به اهميت درك مواضع كاربران در تحليلهاي اجتماعي و سياسي،
هدف اين پژوهش بهبود عملكرد مدلهاي شناسايي مواضع از طريق استفاده از ساختارهاي متني
كاربران در شبكههاي متني است. اين پژوهش به دنبال اثبات اين فرضيه است كه در نظر گرفتن
اطلاعات جوامع ميتواند دقت مدلهاي شناسايي مواضع را بهبود بخشد. جامعه آماري اين پژوهش
شامل مجموعهاي از توييتها با برچسبهاي مواضع مشخص است. براي نمونه گيري، از
توييتهاي مرتبط با موضوعات خاص و كاربران فعال استفاده شده است. روش مدلسازي در اين
پژوهش شامل ساخت شبكهاي متني از توييتها، شناسايي جوامع در اين شبكه ها و به كارگيري
مدلهاي پايه مانند SVM وBERT است. ويژگيهاي ساختاري جوامع كه از طريق الگوريتمهاي
شناسايي جامعه مانند الگوريتم لووين استخراج شدهاند به اين مدلها اضافه ميشود. يافتههاي
پژوهش نشان ميدهند كه استفاده از اطلاعات جوامع منجر به بهبود قابل توجهي در دقت شناسايي
مواضع ميشود. به ويژه، مدلهاي تركيبي كه هم از ويژگيهاي متني و هم از ويژگيهاي موضوعي
استفاده كردهاند، عملكرد قابل اطمينان و متعادلتري نسبت به مدلهاي ديگر نشان دادهاند. نتايج
اين پژوهش نشان ميدهد كه در نظر گرفتن ساختارهاي شبكه متني ميتواند به طور مؤثري دقت
مدلهاي شناسايي مواضع را بهبود بخشد. اين امر اهميت استفاده از اطلاعات شناسايي جوامع
شبكه متني در كنار ويژگيهاي متني را براي مدلهاي يادگيري ماشين در تحليلهاي اجتماعي
برجسته ميسازد.
|
|
Researchers
|
َArian Ghare Mohammad (Student) , Ebrahim Sahafizadeh (First primary advisor)
|