ارائه الگویی برای تحلیل رفتار کاربران شبکه‌های اجتماعی با استفاده از روش‌های داده‌کاوی: یک شبکه اجتماعی در ایران

نویسندگان
بابک سهرابی 1
ایمان رئیسی وانانی 2
ایمان رئیسی وانانی 2
مرضیه طالبیان 3
1 استاد گروه مدیریت فناوری اطلاعات ، دانشکده مدیریت ، دانشگاه تهران، تهران، ایران.
2 استاد گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران.
3 دانشجوی کارشناسی ارشد مدیریت فناوری اطلاعات ، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
چکیده
در فضای مجازی، شبکه‌های اجتماعی به ‌عنوان نوع جدیدی از وب‌سایت‌ها متولد شده‌اند و کاربردها، کاربران و طرفداران بسیاری پیدا کرده‌اند. شبکه‌های اجتماعی یکی از انوع رسانه‌های اجتماعی محبوب محسوب می‌شوند و محلی برای شکل‌گیری جماعت‌های مجازی و شبکه‌سازی کاربران اینترنتی هستند کاربران اینترنتی را بر‌حسب نوع مواجه خود با شبکه‌های اجتماعی می‌توان به شکل‌های مختلف دسته‌بندی کرد. باتوجه به گسترش انواع شبکه‌های اجتماعی، نیاز به الگویی است تا براساس آن تصمیم‌گیری استراتژیک و یا اتخاذ خط مشی‌های جدید برای خدمت‌رسانی بهتر به کاربران صورت گیرد. هدف این پژوهش، ارائه سازوکاری جهت پیش‌بینی الگوهای رفتاری افراد در شبکه‌های اجتماعی و به‌کارگیری تکنیک‌های داده‌کاوی با استفاده از روش فرایندی اجرای پروژه‏های داده‌کاوی برای رده‌بندی و تحلیل رفتار کاربران شبکه اجتماعی به منظور شناخت بهتر آنها و در نتیجه بهبود خدمات ارائه شده و تدوین استراتژی‌های مناسب می‌باشد. جامعه آماری پژوهش کاربرانی می‌باشد که از شبکه‌ اجتماعی مورد نظر استفاده می‌کنند که شامل تعداد 31033 کاربر فعال است. درک صحیح از الگوهای رفتاری کاربران شبکه‌های اجتماعی، منجر به انطباق هرچه بهتر خدمات ارائه شده به‌وسیله شبکه با نیازهای کاربر و به تبع آن، توسعه تعداد کاربران شبکه و افزایش ارزش افزوده آن برای کاربران و درآمدزایی برای متولیان شبکه می‌گردد.
کلیدواژه‌ها
شبکه اجتماعی
رفتار کاربران
دیویس بولدین
داده‌کاوی
خوشه‌بندی

عنوان مقاله English

Developing a Pattern for Analyzing Social Network Users Behavior Based on Data Mining Algorithms: an Iranian Social Network

نویسندگان English

Babak Sohrabi 1
Iman Raeesi Vanani 2
Iman Raeesi Vanani 2
marziyeh taleban 3
چکیده English

In cyberspace, Social networks have been born as a new type of websites and have gained an enormous range of users and fans. Social networks are one type of social media and are places for forming virtual communities of interested users. Internet users have been classified in different ways based on their type of using social networks. This study seeks to provide a mechanism to predict patterns of behavior in social networks. Due to the expansion of social networks, the selected network requires a model based on the new strategic decisions or policies for better serve users. This study uses data mining techniques for classification and analysis of social network users for better understanding of their behavior and improving services and developing appropriate strategies. Understanding behavioral patterns of users of social networks lead to better adaptation to user needs. The user population applied for analysis includes 31033 users that use a specific Iranian Social Network regularly. A method for clustering and orientation analysis based on past users behavior using CRISP-DM and data mining software is deeply analyzed and described. A full perception of users’ behavior will result in a better match of social network features with users’ needs as well as a high value added for users and profitability for social network owners.

کلیدواژه‌ها English

Social Network
data mining
Clustering
Davies Bouldin
Users Behavior
[1]     R.P. Bagozzi, U.M. Dholakia (2006) "Open source software user communities: A study of participation in Linux user groups", Management Science, 52 (7):1099–1115.
[2]     H.U. Buhl (2008) "Online communities", Wirtschaftsinformatik 50 (2):81–84.
[3]     M. Gneiser J., Heidemann M., Klier A., Landherr F., Probst (2012) Valuation of online social networks taking into account users’ interconnectedness, Information Systems and e-Business Management, 10 (1):61–84.
[4]     C. Dwyer S., Hiltz K. Passerini (2007) Trust and privacy concern within social networking sites: A comparison of facebook and MySpace, in Proceedings of the Americas Conference on Information Systems –AMCIS, (paper 339).
[5]     D.M. Boyd, N.B. Ellison (2007) "Social network sites: definition, history, and scholarship", Journal of Computer-Mediated Communication, 13 (1):210–230.
[6]     D. Beer (2008) Social network(ing) sites. . . revisiting the story so far: A response to Danah Boyd and Nicole Ellison, Journal of Computer- Mediated Communication, 13 (2): 516–529.
[7]     Pang-Ning Tan, Michael Steinbach and Vipin Kumar, Introduction to Data Mining, 0nd ed., Wiley, 0274.
[8]     Chen, M. S., Han, J., & Yu, P. S. (1996) "Data mining: An overview from a database perspective, Knowledge and data Engineering", IEEE Transactions on, 8, 6, 866-883.
[9]     Breunig MM, Kriegel H-P, Ng RT, Sander J. (2000) LOF: Identifying density-based local outliers. ACM Sigmod Rec; 29(2): 93–104.
[10]  Ravneet Kaur, Sarbjeet Singh (2015) "A survey of data mining and social network analysis based anomaly detection techniques", Egyptian Informatics Journal.
[11]  Hartigan JA. (1975) Clustering algorithms, John Wiley & Sons, Inc. New York, NY, USA.
[12]  D.L. Davies and D.W. Bouldin (1979) A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, (2):224{227, 1979{.
[13]  ZHU Jiang , WANG Bai, WU Bin, Social network users clustering based on multivariate time series of emotional behavior, April 2014, 21(2): 21–31, www.sciencedirect.com/science/journal/10058885
[14]  Chapman P., Clinton J., Kerber, R., Khabaza T. Reinartz, T. Shearer, C.Wirth (2000) 100 step-by-step data mining guide. Technical report, CRISP-DM.
[15]  Hamid Khobzi, Babak Teimourpour (2015) "LCP segmentation: A framework for evaluation of user engagement in online social networks", Computers in Human Behavior, 50: 101–107.
[16]  Alvaro Ortigosa, Rosa M. Carro, José Ignacio Quiroga (2014) "Predicting user personality by mining social interactions in Facebook", Journal of Computer and System Sciences, 80:57–71.
[17]  Jan-Willem van Dam, Michel van de Velden Online profiling and clustering of Facebook users, Decision Support Systems (2014), doi: 10.1016/j.dss.2014.12.001
[18]  Ahmad Hawalah, Maria Fasli, Dynamic user profiles for web personalization, Expert Systems with Applications 42 (2015) 2547–2569.
[19]  Rodoula H. Tsiotsou (2015) "The role of social and parasocial relationships on social networking sites loyalty", Computers in Human Behavior, 48:401–414.
[20]  Peixin Zhao, Cun-Quan Zhang (2011) "A new clustering method and its application in social networks", Pattern Recognition Letters, 32: 2109–2118.
پژوهش های مدیریت منابع سازمانی
دوره 6، شماره 4
بهمن 1395
صفحه 83-106