فهرست نشریات علمی دسترسی آزاد ایران

ﺗﺤﻠﻴﻞ داده‌های شبکه‌های ﺍﺟﺘﻤﺎﻋﻲ ﺍﻫﻤﻴﺖ ﺑﻨﻴﺎﺩﻳﻨﻲ ﺩﺭ ﺍﺳﺘﺨﺮﺍﺝ ﺍﻟﮕﻮﻫﺎﻱ ﺭﻓﺘﺎﺭﻱ ﻛﺎﺭﺑﺮﺍﻥ ﺩﺍﺭﺩ. مدل‌های ﭼﻨﺪﻭﺟﻬﻲ ﻛﻪ ﺗﺮﻛﻴﺒﻲ ﺍﺯ ﺍﻃﻼﻋﺎﺕ ﻣﺘﻨﻲ، ﺗﺼﻮﻳﺮﻱ ﻭ ﺳﺎﻳﺮ ﻣﻨﺎﺑﻊ ﺭﺍ ﺑﻪﻛﺎﺭ می‌گیرند، ﺍﺑﺰﺍﺭﻫﺎﻱ ﻣﻨﺎﺳﺒﻲ ﺑﺮﺍﻱ ﺍﻳﻦ ﺩﺳﺖ ﺍﺯ ﺗﺤﻠﻴﻞﻫﺎ ﻫﺴﺘﻨﺪ. ﺑﺎﺍﻳﻦﺣﺎﻝ، ﭼﺎﻟﺸﻲ ﺍﺳﺎﺳﻲ ﺩﺭ ﺍﻳﻦ ﻣﺪﻝﻫﺎ، ﻓﻘﺪﺍﻥ ﺑﺮﺧﻲ ﻭﺟﻮﻩ ﺩﺭ ﺑﺨﺸﻲ ﺍﺯ ﻧﻤﻮﻧﻪﻫﺎﻱ ﺩﺍﺩﻩ ﺍﺳﺖ؛ ﺑﺮﺍﻱ ﻧﻤﻮﻧﻪ، ﻛﺎﺭﺑﺮﻱ ﻣﻤﻜﻦ ﺍﺳﺖ ﺗﻨﻬﺎ ﻣﺘﻦ ﻣﻨﺘﺸﺮ ﻛﻨﺪ ﻭ ﻫﻴﭻ ﺗﺼﻮﻳﺮﻱ ﺑﻪ ﺍﺷﺘﺮﺍﻙ ﻧﮕﺬﺍﺭﺩ. ﺍﻳﻦ ﻣﺴﺌﻠﻪ ﺳﺒﺐ می‌شود ﻣﺪﻝﻫﺎﻱ ﭼﻨﺪﻭﺟﻬﻲ ﻧﺘﻮﺍﻧﻨﺪ ﺍﺯ ﺗﻤﺎﻣﻲ ﺍﻃﻼﻋﺎﺕ ﻣﻮﺟﻮﺩ ﺑﻪﻃﻮﺭ ﻛﺎﻣﻞ ﺑﻬﺮﻩﺑﺮﺩﺍﺭﻱ ﻛﻨﻨﺪ. ﺩﺭ ﺍﻳﻦ ﻣﻘﺎﻟﻪ، ﺭﻭﺷﻲ ﺑﺮﺍﻱ ﺑﻬﺮﻩﮔﻴﺮﻱ ﺍﺯ ﺩﺍﺩﻩﻫﺎﻱ ﻧﺎﻗﺺ ﺩﺭ ﻣﺪﻝﻫﺎﻱ ﭼﻨﺪﻭﺟﻬﻲ ﺍﺭﺍﺋﻪ ﺷﺪﻩ ﺍﺳﺖ. ﺍﺑﺘﺪﺍ، مدل‌های ﺗﻚﻭﺟﻬﻲ ﺑﺮﺍﻱ ﭘﺮﺩﺍﺯﺵ ﻫﺮ ﻭﺟﻪ ﺑﻪﺻﻮﺭﺕ ﻣﺴﺘﻘﻞ ﺁﻣﻮﺯﺵ ﺩﺍﺩﻩ ﺷﺪﻧﺪ. ﺳﭙﺲ، ﻳﻚ ﺭﻣﺰﮔﺬﺍﺭ ﻣﺒﺘﻨﻲ ﺑﺮ ﻳﺎﺩﮔﻴﺮﻱ ﺗﻘﺎﺑﻠﻲ ﻃﺮﺍﺣﻲ ﻭ ﺁﻣﻮﺯﺵ ﺩﺍﺩﻩ ﺷﺪ ﻛﻪ ﻫﺪﻑ ﺁﻥ، ﺑﺮﺁﻭﺭﺩ ﺑﺮﺩﺍﺭ ﻭﻳﮋﮔﻲ ﻭﺟﻮﻩ ﮔﻢﺷﺪﻩ ﺑﺎ ﺍﺗﻜﺎ ﺑﻪ ﻭﻳﮋﮔﻲﻫﺎﻱ ﻭﺟﻮﻩ ﻣﻮﺟﻮﺩ ﺍﺳﺖ. ﺩﺭ ﻧﻬﺎﻳﺖ، داده‌های ﻣﺘﻨﻲ ﻭ ﺗﺼﻮﻳﺮﻱ ) ﻭﺍﻗﻌﻲ ﻳﺎ ﺑﺎﺯﺳﺎﺯﻱﺷﺪﻩ (ﺩﺭ ﻳﻚ ﻣﺪﻝ ﭼﻨﺪﻭﺟﻬﻲ ﺍﺩﻏﺎﻡ ﺷﺪﻩ ﻭ ﺑﺮﺍﻱ ﺗﺤﻠﻴﻞ ﺭﻓﺘﺎﺭ ﻛﺎﺭﺑﺮﺍﻥ ﻣﻮﺭﺩ ﺍﺳﺘﻔﺎﺩﻩ ﻗﺮﺍﺭ ﮔﺮﻓﺖ. ﻧﺘﺎﻳﺞ ﺁﺯﻣﺎﻳﺶﻫﺎ ﺑﺮ ﺭﻭﻱ ﺩﺍﺩﮔﺎﻥ MDDL و بر پایه‌ی معیارهای دقت و F1 نشان می‌دهند که مدل چندوجهی پیشنهادی، با دقت 17/90 درصد و امتیاز F1 برابر با 64/90درصد، عملکرد بهتری نسبت به مدل‌های تک‌وجهی مبتنی بر ﻣﺘﻦ (87/87ﺩﺭﺻﺪ ﺩﻗﺖ) ﻭ ﺗﺼﻮﻳﺮ (37/73ﺩﺭﺻﺪ ﺩﻗﺖ) ﺩﺍﺭﺩ. ﺍﻳﻦ ﻧﺘﺎﻳﺞ ﻣﺆﻳﺪ ﺁﻥ ﺍﺳﺖ ﻛﻪ ﻣﺪﻝ ﭘﻴﺸﻨﻬﺎﺩﻱ، ﺑﺪﻭﻥ ﻧﻴﺎﺯ ﺑﻪ ﺣﺬﻑ ﺩﺍﺩﻩﻫﺎﻱ ﻧﺎﻗﺺ، ﺍﺯ ﺍﻃﻼﻋﺎﺕ ﻣﻮﺟﻮﺩ ﺑﻪﻃﻮﺭ ﻣﺆﺛﺮ ﺑﻬﺮﻩﺑﺮﺩﺍﺭﻱ می‌کند.