توصيه كاربر در پيام‌رسان تلگرام با تحليل گراف و مدل‌سازي رياضي رفتار كاربران

User recommendation in Telegram messenger by graph analysis and mathematical modeling of users' behavior

سامانه‌هاي توصيه‌گر به‌منظور كاهش توليد و پردازش پرس‌وجو به‌وجود آمده‌اند. توصيه كاربران در شبكه‌هاي اجتماعي و پيام‌رسان‌ها براي كاربران عادي در يافتن دوست و براي بازاريابان جهت يافتن مشترياني جديد، بسيار مفيد است. در شبكه‌هاي اجتماعي مانند فيس‌بوك، يافتن كاربران هدف براي بازاريابي پيش‌بيني شده است؛ اما در پيام‌رسان‌هايي همچون تلگرام امكاني جهت يافتن جامعه هدف وجود ندارد. در اين مقاله با استفاده از گراف و مدل‌سازي رفتار كاربران و همچنين تعريف ويژگي‌هايي مرتبط با گروه‌ها، روشي جهت توصيه كاربران تلگرام، ارائه شده است. روش پيشنهادي دربردارنده هشت گام است و هر يك از گام‌ها، مي‌توانند روشي جهت توصيه كاربر درنظر گرفته شوند. مهاجرت، روشي جديد جهت مدل‌سازي علايق كاربران، براساس سوابق عضويت آنان در گروه‌ها است. داده‌هاي اين پژوهش، مجموعه داده‌اي واقعي شامل بيش از 900.000‌ سوپرگروه و 120‌ميليون كاربر تلگرامي است. نتايج ارزيابي روش پيشنهادي بر روي 100گروه باكيفيت، حاكي از مؤثر بودن توصيه‌هايي برگرفته از سوابق كاربران و مدل‌سازي رفتار آنان نسبت به‌صرف استفاده از اين اطلاعات است. رويكرد پيشنهادي با ارائه گام‌هايي در ادامه روش گروه‌هاي مشابه كه جهت توصيه گروه در تلگرام ارائه شده بود، توانسته ميانگين خطاي RMSE را از 0.87 به 0.79 و ميانگين خطاي MAE را از 0.77 به 0.64 كاهش 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.