شناسايي گره‌هاي قدرت در شبكه‌هاي اجتماعي به كمك داده‌كاوي

Identification of Power Nodes in Social Networks Using Data Mining

با ظهور شبكه‌هاي اجتماعي، روابط انسان‌ها در‌اينترنت شكل تازه‌اي به خود گرفته است. امروزه شمار كثيري از كاربران با اهداف مختلف در شبكه‌هاي اجتماعي عضو شده و به فعاليت‌هاي گوناگون مي‌پردازند. از سوي ديگر‌اين كاربران بر يكديگر تاثير مي‌گذارند كه نقش و تاثيرگذاري كاربران مختلف يكسان نيست. برخي از‌اين كاربران به دلايل مختلفي از جمله موقعيت شغلي، ميزان تحصيلات يا نوشته‌هاي جذاب، تاثير بيشتري بر كاربران ديگر دارند.‌اين كاربران كه ما از آن‌ها به عنوان گره‌هاي قدرت نام مي‌بريم مي‌توانند نظر و ديدگاه كاربران زيادي را تغيير داده و به سمت و سوي خاصي سوق دهند. هدف‌اين پژوهش شناسايي گره‌هاي قدرت در شبكه اجتماعي تبيان از طريق كشف الگوهاي پنهان در خصيصه‌هاي كاربران است. تحقيق حاضر بر اساس روش‌شناسي استاندارد CRISP-DM انجام شده است. بدين منظور پس از شناسايي گره‌هاي قدرت بر اساس مجموع امتيازات به دست‌آمده از سه شاخص مركزيت بينيت، رتبه صفحه و فعاليت‌هاي كاربران ،با استفاده از الگوريتم‌هاي درخت تصميم به طبقه‌بندي‌اين كاربران اقدام شده است. نتايج به دست آمده نشان داد كه مهم‌ترين ويژگي‌ها در تعيين ميزان قدرت يك كاربر در شبكه اجتماعي تبيان تحصيلات، سن و جنسيت مي‌باشند.

With the emergence of social networks, the relationships among people have found a new horizon. Nowadays, a large number of users sign up in social networks with different goals, and they get involved in different activities. On the other hand, they effect on one another while their roles and effects are not the same. Some of these users have more effects on the others according to their job status, educational backgrounds, and attractive notes. These users, whom we call the power nodes, can change the perspective of many users, and move them towards specific directions. The aim of this research is identification of the power nodes in Tebyan, as a social network, and such aim was fulfilled through discovering the concealed models in the characteristics of the users. This research has followed the standard methodology of CRISP-DM. To reach this end, after identification of the power nodes, according to the attained sum scores, for the parameters “central relativity”, “page rank”, and “userʹs activities”, a classification was provided from an algorithm tree. The achieved results showed that the most significant features in determination of a userʹs power in a social network are education, age and gender.