فایل ورد کامل پیش بینی شخصیت کاربر با کاوش در تعاملات اجتماعی در فیس بوک

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل پیش بینی شخصیت کاربر با کاوش در تعاملات اجتماعی در فیس بوک،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۲ صفحه

۷ نتیجه گیری ها و کار آینده
در این مقاله ،ما نشان داده ایم داده های پروفایل های اجتماعی آنلاین ،بویژه پروفایل های فیس بوک، میتوانند برای ساخت رده بندی کننده ها به منظور پیش بینی شخصیت کاربر، مورد کاوش قرار گیرند.از یک سو، ما TP2010 را توسعه داده ایم، یک اپلیکیشن فیس بوک مبتنی بر پرسشنامه ی ZKPQ-50-CC برای کسب شخصیت کاربر (که با سوالات مربوط به بی بسامدی توسعه یافت).از سوی دیگر، داده های تعامل از ۲۰۹۸۸ کاربر، با شخصیت شناخته شده، برای تلاش به منظور استنباط شخصیت از این تعاملات، مورد تحلیل قرار گرفته اند.تکنیک های یادگیری ماشینی مختلف، بکار رفته اند، بویژه درختان رده بندی.رده بندی کننده ها با استفاده از یک مدل رده-۳ و یک مدل رده -۵ ،ایجاد شدند.نتایج برای این مدلها ارائه شده اند.زمانیکه از یک مدل رده ۳ استفاده میشود، بهترین کارایی از طریق استفاده از کل صفاتی که در جدول ۴ وجود دارد، کسب شد،همانند تعداد دوستان، تعداد پست ها در دیوار کاربر در ماه یا تعداد “دوستان فعال” در بین بقیه.دقت رده بندی کننده های ساخته شده برای هر صفت شخصیتی در این مدل ، از ۷۰% برای کل صفات شخصیتی بالاتر است.

عنوان انگلیسی:Predicting user personality by mining social interactions in Facebook~~en~~

۷ Conclusions and future work

In this paper, we have shown that data from online social networks profiles, specifically Facebook profiles, can be mined in order to build classifiers able to predict user personality. On one hand, we have developed TP2010, a Facebook application based on the ZKPQ-50-cc questionnaire to get the user personality (extended with questions related to infrequency). On the other hand, interaction data from 20,988 users, with known personality, have been analyzed to try to infer personality from these interactions. Different machine-learning techniques have been used, especially classification trees. Classifiers were trained using a 3-class model and a 5-class model. The results for each of these models have been presented. When using a 3-class model, the best performance was achieved by using all the attributes appearing in Table 4, such as number of friends, number of posts in his wall per month, or number of “active friends”, among others. The accuracy of the classifiers built for each personality trait in this model is higher than 70% for all personality traits.

$$en!!