تاریخ دریافت مقاله: 18/03/1395 تاریخ پذیرش نهایی مقاله: 20/01/1396 نویسنده مسئول مقاله: روجیار پیرمحمدیانی E-mail: [email protected]
مقدمه
در سالهای اخیر با گسترش مفاهیم وب 0/2، زیرساختهایی در فضای اینترنت به وجود آمده تـاکاربران بتوانند محتوای مد نظر خود را ایجاد کنند، با یکدیگر به اشتراک بگذارند و بـه راحتـی بـاسایر کاربران ارتباط برقرار کنند. بـه مجموعـه ایـن برنامـههـای کـاربردی مبتنـی بـر اینترنـت،رسانه های اجتماعی گفته میشود (کاپلان و هانلین، 2010). یکی از قـوی تـرین پلـتفـرم هـایتعامل تجارت اجتماعی، وبسایتهای نقد و بررسی است. از جمله این سـایت هـا مـیتـوان بـهاپینیونز1و یلپ2 اشاره کرد که به عنوان پورتالهای نظردهی، کسبوکارهای ارزشـمندی را بـرایخود ایجاد کردهاند. همچنین بخشی از محبوبیت و موفقیت وبسایتهایی ماننـد آمـازون را نیـزمیتوان به نظردهی جامع درباره محصولات مختلف نسبت داد (وانگ، مای و چیانگ، 2013). در این وبسایتها کاربران در خصوص محصولات، به نوشتن و خواندن نظرها میپردازنـد . در ایـنحالت اطلاعات و محتوای تولیدی توسط کاربران در قالب رتبهبندی و ارزیـابی محصـولات رویتصمیم های کاربران و امتیازهایی که به محصولات میدهند، تأثیرگذار است. مطابق نظرخـواهیانجام شده در سال 2013 میان کاربران آمریکایی فیسبوک، 64 درصد این کاربران اعتقاد داشتند که شبکههای اجتماعی بر تصمیم آنها برای خرید تأثیر داشتند و 59 درصد نیز معتقـد بودنـد کـهاین اثرگذاری بسیار شایان توجه بوده است3. همچنین بررسی انجام شـده توسـط سـایت بیزریـت نشان میدهد 59 درصـد مشـتریان اطلاعـات بـهدسـت آمـده توسـط مشـتریان را در رابطـه بـامحصولات و خدمات ارزشمند می دانند4؛ به گونه ای که اگر تبلیغ ها و پیامهای کلامی مربـوط بـهاین محصول در داخل رسانههای اجتماعی مثبت باشد و اغلب کاربران به یـک محصـول امتیـازبالایی داده باشند، این باور در کاربر تقویت میشود که آن محصول یـا خـدمت کیفیـت مناسـبیدارد و نیازهای کاربران را بهنحو مطلوبی برآورده می کند و کاربران دیگر این محصول را مطمـئن می دانند. به تبع آن، کاربر امتیاز بیشتری به محصول می دهد و تمایل به خرید نیـز در او افـزایشمی یابد (پیرمحمدیانی، محمدی و حسـینی، 1392). حـاجلی (2014)، نیلـور، لامبرتـون و وسـت(2012)، یانگ (2012)، لی و سونگ (2010)، سیا و همکـاران (2009)، تـأثیرات کلـی تبلیغـاتکلامی در محیط رسانههای اجتماعی را بررسی کرده اند.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Epinions
Yelp
.3 http://www.convinceandconvert.com/the-socialhabit/11shocking-new-social-media-statist
4. WWW. bizrate.com ics-in-america.
حجم اطلاعات تولیدشده در رسانههای اجتماعی بسیار زیاد است. در این میان تنها بخشی از اطلاعاتی که کاربران به آن اعتماد دارند، در رفتارها و تصمیم های بعدی آنهـا اثرگـذار اسـت. در واقع افراد قابل اعتماد یک فرد، سطح بالاتری از اثرگذاری را روی آن فرد منعکس میکنند، زیرا ارتباطات قوی و مشابهت در ارجحیتها از دلایل شـکل گیـری رابطـه شـبکهای و اعتمـاد بـین کاربران رسانههای اجتماعی است (پیرمحمدیانی و محمدی، 1393).
اعتماد، در شکلگیری و تصمیم بـه خریـد کـاربران نقـش مهمـی دارد. از ایـن رو، مقـالات بسیاری به موضوع اعتماد توجه کرده اند. اغلب تحقیقاتی که در این حوزه انجام شده است، تلاش کرده اند با استفاده از پرسشنامه، اطلاعاتی درباره تأثیرات مستقیم و غیرمستقیم اعتماد بر تصـمیمبه خرید کاربران به دست آورند (حاجلی، 2014؛ چاو و نگای، 2011؛ برتراند، 2013؛ دوو، والدن و لی، 2012؛ کیم، فرین و راو 2009؛ فورمن، گوس و وینسنفلد، 2008؛ آواد و راگووسی، 2008) یا عوامل اثرگذار بر اعتمـاد کـاربران شبکه های اجتماعی را در نمونه آماری جمع آوری شده، بررسـیکنند (ابزری، قربانی، خواجهزاده و مکینیان، 1390؛ عسگری و حیدری، 1394؛ حقیقـی و منتظـر،1394). اما اندازه اعتماد کاربران به یکدیگر متفاوت است. با توجه به تعاملات کاربران با یکدیگر، سطوح متفاوتی از اعتماد بین آنها شکل میگیرد. از ایـن رو بایـد اثرگـذاری شـدت اعتمـاد بـینکاربران بر برداشت کاربران از محصولات و امتیازی که کاربران به محصولات میدهند، به دقت بررسی شود؛ اما این موضوع در تحقیقات گذشته لحاظ نشده اسـت . در واقـع ، مفهـوم اعتمـاد درحالت کلی بیان شده و شدت اعتماد میان کاربران که عامل تعیینکننده برای اثرگذاری کـاربرانبر یکدیگر است، کمتر در کانون توجه قرار گرفته است. همچنین بـا توجـه بـه اینکـه تحقیقـاتگذشته بر پایه پرسشنامه و روشهای توصیفی بوده است، نتوانستهاند وزن این پارامترها را دقیـقو با توجه به دادههای موجود و تراکنشهای انجام شـده بـین کـاربران تعیـین کننـد و تجز یـه و تحلیل های انجام شده در این حوزه بسیار اندک است. مقاله حاضر این گـپ هـا را بررسـی کـردهاست. در این مقاله یک مدل ریاضی ارائه شده است که از طریق توسـعه روش هـای پـیشبینـیامتیازهای کاربران به محصولات، میزان اثرگذاری شدت اعتماد بـین کـاربران را بـه طـور دقیـق تعیین می کند. روش تجزیه ماتریس، یکی از روشهای رایج بـرای تخمـین امتیـازی اسـت کـه کاربران به محصولات می دهند. در روش تجزیه ماتریس اسـتاندارد، ایـن امتیازهـا بـا توجـه بـهاولویتها و ارجحیتهای کاربران تخمین زده میشود. در این مقاله تلاش شـده اسـت از طریـقتوسعه پارامترهای مربوط به روش تجزیه ماتریس و اضافه کردن معیار شدت اعتمـاد، امتیازهـاییکه کاربران به محصولات میدهند به طور دقیقتری تخمین زده شود. بنابراین دو سـناریو ی زیـرمطرح شده است:
تخمین امتیازی که کاربران به محصولات میدهند با استفاده از روش تجزیه مـاتریساستاندارد و بدون پارامتر شدت اعتماد.
تخمین امتیازی که کاربران به محصولات میدهند با استفاده از روش تجزیه مـاتریستوسعه داده شده و دخالت پارامتر شدت اعتماد.
در سناریوی دوم، برای پیشبینی امتیاز هر کاربر به یک کالا، دو پارامتر اثرگذار است. پارامتر نخست با توجه به ارجحیتهای کاربر u و خصیصههای محصول i تعیین میشود. این پارامترهـادر روش استاندارد تجزیه ماتریس نیز در نظر گرفته شده اند. دوم، امتیازی که کاربر u به محصول i میدهد، از کاربرانی که کاربر u به آنها اعتماد دارد نیز تأثیر میپذیرد. میزان این اثرگذاری، بـهشدت اعتماد بین کاربران بستگی دارد. شباهت میان کاربران، مبنایی مهم بـرای اسـتنتاج شـدت ارتباط بین کاربران است. از این رو در مقاله حاضر، شدت اعتماد میان کاربران مبتنـی بـر عامـلشباهت محاسبه میشود. میانگین شدت اعتماد کاربر u با کاربرانی که به آنها اعتماد کرده اسـت ، به عنوان عاملی اثرگذار به مدل تجزیه ماتریس، اضافه شده و ایـن حالـت بـا سـناریوی نخسـت مقایسه می شود. بهبود نتایج به دست آمده از طریق تخمین دقیقتر این امتیازها، گواهی بر تعیـیندرست اثرگذاری پارامترهای مختلف و از جمله اعتمـاد اسـت کـه هـدف اصـلی ایـن مقالـه نیـزمحسوب می شود. همچنین در این مقاله فرض شده است، کاربر u بـه طـور برابـر از طـرف همـهکاربران تحت تأثیر قرار نمی گیرد و تعدادی از این کاربران بر تخمین رتبه کـاربر مـد نظـر تـأثیر بیشتری می گذارند. به همین دلیل، پس از تعیین وزن پـارامتر اعتمـاد، میـزان اثرگـذاری بـه ازای شدت اعتمادهای مختلف به طور دقیقتر بررسی شده است.
روش پیشنهادی روی دادههای جمع آوری شده از سایت اپینیونز اعمال شد. با توجه بـه روش پیشنهادشده، وزن هر یک از عاملها به درستی تعیین میشود. همچنین در این مدل میزان اعتماد بین کاربران اندازهگیری شده است و میتوان به صورت دقیق تعیین کرد کدام کاربران اثرگـذار ی بیشتری دارند. در واقع این مقاله از طریق تخمین دقیقتر امتیازهایی که کاربران بـه محصـولاتمیدهند و تعیین کاربرانی که بر این امتیازدهی تأثیر بیشتری دارند، راهنماییهایی برای مدیریت بهتر کاربران در رسانه های اجتماعی برای کسب وکارها فراهم میکند.
در ادامه و در بخش پیشینه پژوهش، موضـوع اعتمـاد بـه شـکل کلـی دسـته بنـدی شـده وپژوهش ها و مقالههای معتبر و مرتبط به هر یک از این دستهها، بررسی شده انـد . بخـش پیشـینهنظری پژوهش، به بررسی نظریه هوموفیلی، به عنوان منطق سنجش شباهت در شبکه می پـردازد و معیارهای ساختاری و زمینهای مبتنی بر شباهت را بیان میکند. بخش روش پژوهش، به ارائـه چارچوب پیشنهادی از طریق توسعه روش تجزیه مـاتریس اختصـاص دارد و روشهـای تجزیـهماتریس و محاسبه شدت اعتماد میان کاربران رسانههای اجتمـاعی را تشـریح مـی کنـد؛ سـپسمجموعه داده استفاده شده در این مقاله توصیف شده و نتایج به دست آمده از پیادهسازی چـارچوبپیشنهادی ارائه می شود. در پایان نیز ضمن بیان نتیجهگیری، پیشنهادهایی برای تحقیقـات آتـیمطرح خواهد شد.
پیشینه پژوهش
رسانههای اجتماعی یکی از عوامل اصلی اثرگذار بر تصمیم به خرید کاربران و تکرار استفاده آنها از محصولات و خـدمات است؛ ولی پایه این اثرگـذاری هـا بـر اسـاس اعتمـاد اسـت (فتحیـان وحسینی، 1393). در این رابطه، بررسی اعتماد به عنوان پیشنیازی برای رفتار اجتمـاعی کـاربران، به ویژه در زمینه تصمیمگیریهای مهم در مواجهه بـا حجـم عظـیم و اغلـب غیرقابـل اطمینـاناطلاعات در محیط وب، ضرورت دارد. در سالهای اخیر مطالعات زیادی در زمینه اعتماد موجـودبین کاربران رسانههای اجتماعی انجام گرفته است که در آنها دو نوع اعتماد وجود دارد: 1. اعتماد کاربران به سازمان و کسب وکار و 2. اعتماد موجود بـین کـاربران رسـانههـای اجتمـاعی (تـن وساترلند، 2004). اعتماد کاربران به سازمان و کسب وکار، بیان کننده اعتماد به شـرکت و سـازماناست. در این حالت فرد اعتقاد دارد که سازمان بر اسـاس م نـافع او عمـل مـیکنـد . ایـن اعتمـادجنبه های مختلف کارکردی سازمان را دربرمی گیرد. در واقع کاربران بایـد بـه شـرکت هـایی کـهمحصولات و خدمات خود را از طریق اینترنت عرضه می کنند، به اندازه کافی اعتماد داشته باشند تا با آنها ارتباط برقرارکرده و اطلاعات مالی و شخصی خود را با این شرکتها مبادله کنند (وانگ و امورین، 2005).
مقاله های زیادی مسائل و پارامترهای مؤثر بر اعتماد سازمانی را بررسی کـرده انـد . حقیقـی ومنتظر (1394)، نشان دادند که به طورکلی ویژگیهای وبگاه، ویژگی های فناورانـه، وی ژگـی هـا ی امنیتی و ویژگی های فردی و اجتماعی، در شکلگیری اعتماد کاربران شبکههای اجتماعی بر خط اهمیت بیشتری دارند. عسگری و حیدری (1394)، عوامل مؤثر بر اعتمـاد و رضـایت مشـتری دربخش تجارت الکترونیک را بررسی کردند. ابزری و همکارانش (1390)، ضمن معرفی مدلی برای عوامل اثرگذار بر ایجاد اعتماد در اینترنت، با استفاده از تکنیک تحلیل سلسله مراتبی این عوامل را رتبهبندی کردند. بر اساس نتایج به دست آمده از تجزیه و تحلیل عوامل مؤثر بر ایجـاد اعتمـاد درمحیط اینترنت، میزان اهمیت عوامل به ترتیب عبارت اند از: عوامل مربـوط بـه تکنولـوژی؛ وجـود شرایط شکل گیری اعتماد ؛ کیفیت بالای اطلاعات؛ کیفیت بالای مبادله الکترونیکی؛ ویژگی هـا ی رفتاری کاربران ؛ قابلیت های شرکت عرضه کننده محصولات یا خدمات از طریق اینترنت. اعتماد موجود بین کاربران رسانههای اجتماعی، رسانههای اجتمـاعی آنلایـن و انجمـنهـایاشتراکگذاری اطلاعات با محوریت نظرات، مشارکت ها یـا فعالیـت هـای انجمـن کـاربری ادارهمی شوند. به طور مسلم، تمام اطلاعات و محتوای موجود در این برنامهها مورد اعتماد و دلخواه هر فردی نیست. در نسل قدیم، اعتماد به محتوای سایت در اعتبار خود سایت خلاصـه مـی شـد؛ در حالی که در وب اجتماعی، اعتمـاد بـه محتـوا مسـتلزم اعتمـاد بـه تولیدکننـده آن اسـت (آواد و راگووسی، 2008). به همین دلیل، در ساختار وب اجتماعی کـاربران اهمیـت زیـادی دارنـد؛ زیـرااعتماد به کاربر فراهم کننده اطلاعات، به اندازه قابلیت اطمینان و صـحت خـود اطلاعـات دارایارزش است (برتراند، 2013). مدلهای محاسباتی زیادی برای ارزیابی و پیشبینی قابلیت اعتمـادکاربران در روابط اجتماعی آنلاین ارائه شده است. هـر یـک از ایـن مـدل هـا کـه از جنبـه هـایگوناگون دسته بندی میشوند، به عوامل متفاوتی در محاسبه مقادیر اعتماد توجه می کنند (تانـگ،ژاو، هو و لیو، 2013).
در سال 2008، مدل اعتماد لیو برای پیش بینی اعتماد یک کاربر به کاربر دیگر بـا اسـتفاده ازروش دستهبندی بردارهای ماشین معرفی شد (لیو، 2008). در این مدل ویژگیهای مورد سنجش از تعاملات کاربر با کاربر مربوطـه و سـایر کـاربران اسـتخراج شـده و بـه عنـوان ورودی، مبنـایتصمیم گیری قرار می گیرد. در تحقیقی که موتسـوا و همکـارانش (2009) انجـام دادنـد، ارتبـاط دوسویه بین اعتماد و رتبه بندی های کاربران ارزیابی شده است. در ایـن مقالـه بـرای پـیش بینـیاعتماد، روی رفتار کاربران تمرکز شده و به کمک داده ها ی رتبه بندی و مرور محصولات مختلف، دقت پیش بینی در اعتماد افزایش یافته است. بورزمک (2009)، از درخت تصمیم برای پیشبینـیاعتماد در شبکه های اجتماعی استفاده کـرده اسـت. در ایـن مـدل عـلاوه بـر انت شـار اعتمـاد درشبکه های اعتماد، به انتشار اعتماد مبتنی بـر شـباهت نیـز توجـه شـده اسـت. از ایـن رو، مـدل پیشنهادشده وی، می تواند برای کاربران تازه واردی که روابط اعتمـاد محـدودتری دارنـد، مـؤثرتر عمل کند. با این حال ویژگی های به کاررفته در این مدل بسیار سادهاند و نتایج به دست آمده دقت کافی ندارند. تانگ و همکارانش (2014)، از نظریه همـوفیلی بـرای پـیشبینـی اعتمـاد اسـتفادهکردند. در این مقاله مسئله پیشبینی اعتماد در قالب مسـئله بهینـهسـازی در ترکیـب بـا نظریـههموفیلی لحاظ شده است. نتایج اجرای الگوریتم روی دو مجموعه داده واقعی، نشان دهنده بهبود دقت مدلهای پیشبینی اعتماد است.
با توجه به پژوهش های پیشین، مقالات حوزه اعتماد در سه دسته کلی »بررسی تـأثیر رابطـهاعتماد موجود بین فرد دریافتکننده و فرد ارسالکننده تبلیغـات کلامـی بـر تمایـل بـه خریـد«، »شناسایی و رتبه بندی عوامل اثرگذار بر اعتمـاد کـاربران در شبکه های اجتماعی الکترونیکی« و »مدل های پیش بینی اعتماد«، دسته بندی شدهاند. این دستهبندی و مقاله های مربوط به هر دسته در جدول 1 آورده شده است.
جدول 1. خلاصه مطالعات پیشین در زمینه اعتماد آنلاین
موضوع نویسنده (نویسندگان)
بررسی تأثیر رابطه اعتماد موجود بین فرد دریافتکننده و فرد ارسالکننده تبلیغات کلامی بر تمایل به خرید حاجلی (2014)
چاو و نگای (2011)
باتراند (2013)
دوو، والدن و لی (2012)
کیم، فرین و راو (2009)
فورمن، گوس و وینسنفلد (2008)
آواد و راگووسی (2008)
شناسایی و رتبه بندی عوامل اثرگذار بر اعتمـاد کـاربران در شبکه های اجتماعی الکترونیکی حقیقی و منتظر (1394)
عسگری و حیدری (1394)
ابزری، قربانی، خواجهزاده و مکینیان (1390)

وانگ و امورین (2005)
مدل های پیش بینی اعتماد تانگ، ژائو، هو و لیو (2014)
بورزمک (2009)
موتسوا (2009)
لیو (2008)

همان طور که در جدول 1 نشان داده شده است، هر یک از پژوهشهای یادشده بعد خاصی از اعتماد را در نظر گرفتهاند و آن را در مطالعه خود تشریح کردهاند. مقاله های اشاره شده در دو گروه نخست، از نظر ماهیت و روش پژوهش، توصیفی ـ پیمایشی هسـتند؛ زیـرا تـلاش مـیکننـد بـااستفاده از پرسشنامه، اطلاعاتی درباره تأثیرات مستقیم و غیرمستقیم اعتماد بر تصمیم بـه خریـدکاربران یا عوامل اثرگذار بر اعتمـاد کـاربران شبکه های اجتماعی و بخش تجارت الکترونیـک را در نمونه آماری جمع آوری شده، بهدست آورند.
در گروه سوم مقاله ها، مدلهایی برای پیش بینی رابطه اعتماد میـان کـاربران پیشـنهاد شـده است، اما اثرگذاری شدت اعتماد بین کاربران بر برداشت کـاربران از محصـولات و امتیـازی کـهکاربران به محصولات میدهند، در تحقیقات گذشته لحاظ نشده و در این حوزه تجزیه و تحل یـل از نوع کمی بسیار اندک است. مقاله موجود این گپها را بررسی کرده است.
پیشینه نظری پژوهش
زمانی که کاربران درباره محصولات تولید در شـبکه کـاربران همسـایهیشـان، نظـری را منتشـرمی کنند، طی پروسه انتشار، شدت اعتماد بین کاربران با همسایههایشان بر میـزان موفقیـت ایـنکمپینها اثر میگذارد. معیارهای مختلفی بـرای تعیـین شـدت اعتمـاد وجـود دارد. نظریـه هـایاجتماعی میتوانند به ما در فهم بهتر ارتباطات اجتمـاعی کمـک کننـد (یونـگ و تـران، 2013).
نظریه هوموفیلی، مهم ترین نظریه اجتماعی برای استنتاج شدت ارتباطـات میـان کـاربران اسـت(تانگ و همکاران، 2014). تئوری هموفیلی در ارتباطات اجتماعی بیان میکند که کاربران مشابه به احتمال زیاد روابط اجتماعی برقرار میکنند. در این حالـت ، هـدف بررسـی و محاسـبه میـزان اهمیت ویژگیهای مشترک اعتمادکننده و اعتمادشونده نظیر مشخصههای آماری، ویژگـی هـایشبکهای، ترجیحات و روشهای مشترک در قضاوت دیگـران بـر شـکل گیـری اعتمـاد و شـدت اعتماد بین کاربران است. این شباهت میتواند از جنبه زمینهای یا ساختاری مطرح شود (ذوالفقـارو آقایی، 2012).
شباهت زمینهای بین زوج کاربران، از بازخوردها و رتبهبنـدی آنهـا بـر مجموعـه موضـوعاتمشترک به دست می آید که بسته به نوع سیستم می تواند شامل کالاهای مشـترک، اطلاعـات یـاسرویسهای مشترک باشد. در این رابطه، مجموعـه آیـتم هـایی کـه توسـط هـر دو کـاربر i و j رتبه بندی شدهاند با RS(i, j) نشان داده می شوند کـه برابـر اسـت بـا اشـتراک بـین مجموعـهآیتم هایی که توسط هر کاربر R(i) رتبهبندی شده است.
RS i j( , ) = R i( )∩ R j( ) (1 رابطه
برای محاسبه شباهت روی مجموعه مشترک RS(i, j)، آیتمهای رتبه بندیشـده توسـط هـرکاربر به شکل بردارهای جداگانه نمایش داده می شود، سپس از فاصـله اقلیدسـی بـین دو بـردار
برای سنجش شباهت استفاده میشود. در این حالت، اگر تابع فاصله مقدار کوچکی داشـته باشـد،نحوه ارزیابی دو کاربر نسبت به دیگران مشابه است. رابطه 2 چگونگی محاسبه شباهت مبتنی بر دادههای رتبهبندی را نمایش میدهد.
1277112-68560

SimilarityScore(i, j) = (| R(i)| RS(i, j) |∪ R(j) |) × −(1N1 k RS∈ (i, j) (Rik − Rjk ) )2 (2 رابطه
در رابطه بالا، تعداد آیتمها در مجموعه مشترک نیز اهمیت دارد. واضح است که در حالتی که مقدار شباهت یکسان است، هرچه تعداد عناصر مجموعه مشترک بیشتر باشـد، شـباهت بـین دوفرد مقدار بیشتری خواهد بود. از بخش نخست رابطه بالا بـرای در نظـر گـرفتن ایـن فاکتورهـااستفاده شده است (پراساد، سرینیواس، کوماری و راجو، 2009).
شباهت ساختاری به شیوهای از محاسبه شباهت بین زوج کاربران اشاره میکند که مبتنی بـرتوپولوژی مشابه در شبکه تعریف میشود. در این حالـت ، اگـر زوج کـاربر مـد نظـر بـا مجموعـهیکسانی از افراد در شبکه ارتباط داشته باشند، شبیه تلقی میشوند. از جمله این متریکها میتوان به متریک رتبه شباهت1 اشاره کرد. ایده اصلی مدل رتبه شباهت این است که دو شـی، اگـر بـهاشیای مشابهی لینک داده باشند، به هم شبیهاند. به طور دقیق تر، شی a و شـیb شـبیه انـد ، اگـربه ترتیب به اشیای c و d مرتبط باشند که آن دو نیز به هم شبیه اند کـه محاسـبه آن مبتنـی بـررابطه 3 است.
 a∈Γ(i) b∈Γ( )j score(a,b) (3 رابطه Score(i, j) = C.

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

| Γ(i) | .| Γ( )j |
Score(i, j) = 0;whereΓ =(i) ∅ Γ =∅or(j)
رابطه 3، یک رابطه بازگشتی است که در آن Γ(i) نشان دهنده مجموعه همسایگان کاربر I و c ثابتی در بازه (1 , 0) است که به عنوان ضریب تنزیل2 به کار مـی رود و معمـولاً مقـداری برابـر 8/0 دارد. اگر در رابطه بالا j = i باشد، رتبه شباهت مقـداری برابـر 1 خواهـد داشـت. خروجـیرابطه، مقداری در بازه [1,0] است (چن، 2013).
روش شناسی پژوهش
پژوهش حاضر از لحاظ هدف، کاربردی است. بر اساس مدل ارائه شده در ایـن مقالـه، بـرای هـرکاربر، میتوانیم کاربران معتمدی را پیدا کنیم که میزان اثرگذاری آنها بر امتیاز اختصاصیافتـه ازطرف آن کاربر بیشتر باشد؛ این کار به سازمان ها در درک بهتر ترجیحات کاربر مـد نظـر کمـکمی کند. این پژوهش راهکارهایی برای بهبود پیش بینی امتیاز کاربران ارائه می دهد که می تواند در سیستم های پیشنهاددهنده مؤثر باشد. روش و ابزار گردآوری اطلاعات در این پژوهش به واسـطهبررسی پیشینه پژوهش و استفاده از داده های ثانویه و مطالعه مقاله ها، کتاب ها و پایـان نامـه هـایداخلی و خارجی مرتبط، کتابخانه ای است. شایان ذکر است که برای پیاده سازی روش پیشنهادی از زبان پایتون استفاده شده است.
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
Semirank
Decay Factor
چارچوب پیشنهادی پژوهش
در وبسایتهای نقد و بررسی، محصولات مختلف در گروههـای متنـوعی ماننـد فـیلم، وسـایلالکترونیکی، لوازم خانگی و غیـره دسـته بنـد ی شـده انـد . در ایـن وب سـایت هـا، کـاربران دربـاره محصولات به نوشتن نظر یـا خوانـدن آنهـا مـی پردازنـد و بـا دادن امتیازهـایی در بـازه 1 تـا 5 محصولات را رتبهبندی می کنند. همچنین برخی از این وبسایتها امکـانی فـراهم آوردهانـد تـاکاربران میزان اعتماد خود را به کاربران دیگر بیان کنند. سازوکار اعتماد به این شکل اسـت کـهکاربران به افراد مورد اعتماد امتیاز 1 و به کاربرانی که اعتماد ندارند امتیاز 1- اختصاص میدهند.
این اطلاعات در پروفایل مربوط به کاربران موجود است (شرچان، نپال و پاریس، 2013).
البته وجود اعتمادی که به صورت 1 و 1- در میان کاربران بیان میشود، نمـی توانـد شـدت ومیزان اثرگذاری را به درستی نشان دهد، زیرا اعتماد کاربران به یکـدیگر متفـاوت اسـت. در واقـعمیتوان دسته بندی ای شامل اعتماد با اثرگذاری بیشتر و اثرگذاری کمتر بـرای رابطـه اعتمـاد درنظر گرفت. بر اساس این شدت اعتماد، ما برای هر کاربر میتوانیم کاربران معتمـدی پیـدا کنـیمکه میزان اثرگذاری آنها بر امتیاز اختصاصیافته از طرف آن کاربر بیشتر باشد و این در درک بهتر ترجیحات کاربر مد نظر به ما کمک میکند. در شکل 1 چارچوب لحاظ شده در این مقالـه نشـانداده شده است.

شکل 1. چارچوب پیشنهادی
روش تجزیه ماتریس یکی از روشهای رایج برای تخمـین امتیـاز کـاربران بـه محصـولاتاست. این تکنیک در روشهای مربوط به سیستمهای پیشنهاددهنده کـاربرد بسـیاری دارد. ایـنروش در مقالات آلمازرو و همکاران (2010)، عثمانلی (2010)، کـورن و بـل (2010) و وزالـیس،مـارکوس و مـارگریتیس (2010) بررسـی شـده اسـت. ایـن مـاتریس همـه امتیازهـایی را کـه مجموعه ای از کاربران به محصولات متفاوت دادهاند، شامل مـی شـود . در ایـن روش کـاربران و کالاها به فضای ویژگیهای پنهان در ابعاد دیگری تبدیل میشوند تا از این طریق امتیازهـای ی را که کاربران به محصولات میدهند، از طریق مشابهت میان کاربران و محصولات در این فضـا ی خاص برآورد شود. از این رو یکی از ورودی های اصلی مربوط به مدل ماتریس تجزیه امتیازهـای داده شده از طرف کاربران به محصولات مختلف است که از طریق دادههای مربـوط بـه فعالیـت کاربران در داخل رسانههای اجتماعی به دست می آید (ویدلی، 2013).
در این مقاله، در سناریوی نخست با توجه به روش ماتریس تجزیه استاندارد، امتیـاز کـاربرانبه محصولات برآورد می شود. در سناریوی دوم از طریق اضافه کردن معیار شـدت اعتمـاد، مـدلتجزیه ماتریس توسعه می یابد ؛ به گونه ای که اگر کاربران مورد اعتماد u، امتیاز بالایی به محصول i داده باشند، کاربر u نیز احتمالاً تمایل خواهد داشت که امتیاز بالایی به محصول i بدهد. بـرایاین منظور ابتدا از طریق فاکتورهای مبتنی بر شباهت، شدت اعتماد میان کاربران اندازهگیری شد (شدت اعتماد عددی بین 1 تا صفر است)؛ سپس میانگین شدت اعتماد کاربر u با کاربرانی که به آنها اعتماد کرده اند، به عنوان یک پارامتر اثرگذار، به مدل تجزیه ماتریس اضافه گردید. به همـیندلیل، علاوه بر دادههای امتیازدهی، از دادههای مربوط بـه شـبکه اعتمـاد کـاربران نیـز اسـتفادهمی شود. در روش تجزیه ماتریس، از طریق وزنی که به پارامترهای اثرگذار اختصاص یافته، تـأثیر این پارامترها بر پیشبینی دقیقتر امتیازها بررسی می شود. مقداری که به ازای آن کمترین مقـدارخطا محاسبه شده است، وزن پارامتر شدت اعتماد را تعیین می کنـد . پـس از تعیـین وزن پـارامترشدت اعتماد، به مقایسه نتایج به دست آمده از دو سناریو پرداخته میشود. نتایج بـه دسـت آمـده از طریق تخمین دقیقتر این امتیازها، گواهی بر تعیین درست اثرگـذاری پارامترهـای مختلـف و ازجمله اعتماد است که هدف اصلی این مقاله نیز محسوب می شود.
فرض می کنیم کاربر u به طور برابر از طرف همه کاربران تحت تأثیر نبوده و تعـدادی از ایـنکاربران بر تخمین رتبه کاربر مد نظر تأثیر بیشتری می گذارند. بـرای ایـن منظـور شـدت اعتمـادکاربر u با کاربرانی که به آنها اعتماد کرده ، محاسبه شده است. مجموعه کـاربران مـورد اعتمـادکاربر u با توجه به شدت اعتمادی که ایجاد میکنند به گروههای مختلف دسته بندی میشـوند ودر یک بررسی دقیق تر، هر بار گروه با شدت اعتماد مشخص را بررسی می کنـیم . از ایـن طریـقمیزان اثرگذاری کاربران با شدت اعتماد متفاوت بر امتیازی که کـاربر بـه محصـولات مـی دهـد،لحاظ شده است. در ادامه هر یک از بخش های چارچوب پیشنهادی تشریح می شود.
روش تجزیه ماتریس
در حالت کلی، سیستم امتیازدهی محصـولات، شـامل مجموعـهای از کـاربران و مجموعـهای از محصولات است. کاربران، ترجیحات خود را درباره محصولات مختلف از طریق امتیازهایی که به آنها میدهند، بیان میکنند. این امتیازها در یک محدوده مشـخص و در قالـب مـاتریس ×R بیان میشوند، در این ماتریس، |M = |u معرف تعداد کـاربران و |N = |i نشـان دهنـده تعـداد محصولات است. هر یک از عناصر r در ماتریس R بیان کننده رتبهای اسـت کـه کـاربرu بـهعنصر i داده است. همچنین در نمایش دیگـر ی، امتیازهـای مشـاهده شـده در قالـب مجمـوهO نمایش داده می شود که اعضای آن سه تایی (u, i, r ) هستند (آلمازرو و همکاران، 2010).
در روشهای تجزیه ماتریس در فضای جدید، ارتباط بین کاربران و کالاهـا مفهـوم جدیـدیپیدا میکند. برای مثال، هر کاربر u با یک بردار p و هر کـالایi بـا یـک بـردار q مشـخصمی شود. مقدار بردارهای جدید q، شامل توسعه کالاهای تجزیه شده و p شامل توسعه کاربران علاقه مند به کالاها می شود. همچنـین q Tp ارتبـاط بـین کـاربرu و کـالایi را کـه میـزانعلاقه مندی کاربر به کالا است، بیان میکند. امتیاز تقریبی کاربر u به کالای i را که مقدار واقعی r است، از فرمول زیر بهدست میآورند (کورن و بل، 2010).
7467628134

rui =q piu (4 رابطه
چالش اصلی در این روشها، محاسبه تبدیل هر کالا و کاربر به بردار جدیـد p و q اسـت . ماتریس ×R با استفاده از الگوریتمهایی شـبیهSVD بـه سـه مـاتریسP× ،S و ×Q تبدیل میشود که ماتریس S به تعداد k بعد کاهش پیدا میکند. محاسبه نهایی از نتیجـه ضـربدو ماتریس R = P × Q است و با توجه به آنها برای هر کاربر و کالا میتوان امتیاز را محاسبه کرد. برای امتیازدهی اختصاصی رابطه 5 برقرار است. رابطه 5) rui =k p quk ik ≈rui
1=Kکه در آن p و q عنصرهایی از P و Q هستند.
برای تخمین پارامترهای Pو Q، ابتدا دو ماتریس با مقادیر تصادفی مقداردهی اولیه میشوند، سپس مقدار خطای بین امتیازهای مشاهده شده و تخمـین زده شـده (e = r − r ) در یـک
روند بازگشتی کاهش مییابد. یکی از ماتریسها ثابت می ماند و ماتریس دیگر بـه روز مـی شـود .
.این مسئله بهینهسازی میتواند به صورت رابطه 6 نمایش داده شودmin 2 (u,i,r ) O (r − k 1 p quk ik )2 +β2 ( u k, p uk2 + i k, q ik2 ) (6 رابطه
در معادله بالا، بخش نخست، امتیاز مشاهده شده توسط کاربر و عبارت دوم با ضریب B یـکتعدیلکننده درجه دو1 است که از جهش یک باره مقادیر p و q جلوگیری میکند. همچنـانکه پیش از این اشاره شد، ایـن معادلـه پایـهای بـرای مسـئله تخمـین امتیازهاسـت (وزالـیس وهمکاران، 2010). فرایند توضیح داده شده، مربوط به روش تجزیه ماتریس حالت اسـتاندارد اسـتکه در بسیاری از سیستم های پیشنهاددهنده نیز استفاده میشود. حال با توجه به مدل پیشـنهادیخود، سایر پارامترهای اثرگذار را به معادله اضافه میکنیم.
محاسبه شدت اعتماد میان کاربران مبتنی بر فاکتور شباهت زمینهای
برای توسعه تجزیه ماتریس حالت استاندارد، اثرگذاری کاربران مورد اعتماد در وب سایتهای نقد و بررسی در نظر گرفته شده است. برای این منظور، ماتریس G را که یک ماتریس M×M است و شبکه اعتماد بین کاربران را بیان میکند، در نظر مـی گیـریم. ایـن شـبکه اعتمـاد از ارتباطـاتصریح میان کاربران شکل گرفته است. guv عناصر داخل ماتریس G را نشان مـی دهـد کـه اگـررابطه اعتمادی بین کاربران وجود داشته باشد به آن مقدار 1 و در غیر ایـن صـورت مقـدار صـفراختصاص داده می شود (تانگ و همکاران، 2014).
در مقاله فاضلی، لونی، بلوجین، دراچسلر و اسلوپ (2014)، مقادیر اعتماد صـریح بیـان شـدهمیان کاربران در قالب ماتریس G لحاظ شده و به ماتریس تجزیـه اضـافه شـده اسـت. هـدف ازمقاله حاضر تنها روابط اعتماد صریح بیان شده میان کاربران نیست، بلکه شدت این روابط مد نظر است. به همین دلیل اگر روش معناداری برای اندازهگیری شدت رابطه اعتماد بین کاربران در نظر گرفته شود، میتوان کاربرانی که اثرگذاری بیشتری دارند را از کاربران کمتر اثرگذار تفکیک کـردو از این طریق دقت روش پیشنهادی را افزایش داد. برای این منظور، در گام نخست باید شـدتاعتماد میان کاربران محاسبه شود. از این رو، علاوه بـر مـاتریسG ، مـاتریس S را نیـز در نظـرمی گیریم که S نیز یک ماتریس M×M است و شدت اعتماد میان کاربران را نشان میدهد.
همانطور که در بخش پیشینه نظری تحقیق بیان شد، نظریه هموفیلی مهم ترین نظریه برای استنتاج شدت ارتباطات میان کاربران است (تانگ، چانگ و لیو، 2014). این شباهت مـیتوانـد از
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
1. Quadratic regulariser
جنبه زمینهای یا سـاختاری مطـرح شـود. شـباهت زمینـه ای بـین زوج کـاربران از بازخوردهـا ورتبه بندی آنها در مجموعه موضوعات مشترک به دست میآید که بسته به نوع سیستم مـیتوانـدشامل کالاهای مشترک، اطلاعات یا سرویسهای مشترک باشد. حال آنکـه شـباهت سـاختاری،مبتنی بر توپولوژی مشابه در شبکه تعریف میشود. روابط مربوط به این معیارها نیز در رابطههای 1، 2 و 3 بیان شده است. معیارهای مختلف مربوط به محاسبه شدت اعتمـاد ، بررسـی شـدند تـامشخص شود کدام معیار، برای مدل پیشنهادی بهتر است.
در روش استاندارد تجزیه ماتریس برای پیشبینی امتیاز یک کاربر به یـک کـالا، ترجیحـات کاربر u و خصیصههای محصول i در نظر گرفته شده است. هدف مقالـه حاضـر، افـزودن معیـارشدت اعتماد به ماتریس تجزیه به منظور بررسی تأثیر آن بر دقت پیش بینی امتیازهای داده شـدهبه محصولات است. از این رو، لحاظ کردن شباهت در رتبهدهی شبکه کاربران مـورد اعتمـاد، در کنار رتبه هایی که کاربر مد نظر به محصول داده است، برای بهبود دقت پیشبینی مؤثرتر خواهد بود. بنابراین از میان معیارهای شباهت معرفی شده، شباهت زمینه ای فـاکتور مناسـب تـری بـرایلحاظ کردن در مدل پیشنهادی است. مطابق رابطه 1 و 2، برای شباهت زمینهای، شـدت ارتبـاطبین کاربران زیاد است، اگر هر دو امتیاز بالا یا پایینی به محصـول بدهنـد (امتیازهـای داده شـدهمشابه باشد) یا دو کاربر رتبههای متفاوتی داده باشند، شدت ارتباط بین آنها کم خواهد بود.
توسعه روش تجزیه ماتریس از طریق اضافه کردن پارامتر شدت اعتماد
با توجه به توضیحات، فرض شده است امتیازی که یک کاربر به یک کـالا تخصـیص مـیدهـد،تحت تأثیر علاقه ذاتی خود کاربر و میزان اثرگذاری سایر کاربران روی آن کاربر قرار میگیرد. بر اساس این توضیحات، معادله مربوط به حالت استاندارد تجزیه ماتریس را مطابق رابطـه 7 بسـطمیدهیم.
k  ∀u g, uv >0 s uv rui rˆui =αk =1 p quk ik − −(1 α)

 ∀u g, uv >0 s uv ) (7 رابطه
مطابق رابطه 7، برای پیشبینی امتیاز یک کاربر به یک کالا، دو پارامتر اثرگذار است. میـزاناثرگذاری این دو پارامتر از طریق ضریب α مشخص شـده اسـت. پـارامتر نخسـت بـا توجـه بـهترجیحات کاربر u و خصیصههای محصول i تعیین میشود. به این پارامترهـا در روش اسـتانداردتجزیه ماتریس نیز توجه شده است. از سوی دیگر، امتیازی که کاربر u بـه محصـول i مـیدهـد تحت تأثیر کاربرانی که کاربر u به آنها اعتماد دارد، قرار می گیرد؛ به طوری که اگر کـاربران مـورداعتماد u امتیاز بالایی به محصول i داده باشند، کاربر u نیز احتمالاً تمایل خواهد داشت که امتیاز بالایی به محصول i بدهد. همچنین فرض شده است کاربر u بهطور برابر از طرف همه کـاربرانتأثیر نمی پذیرد و تعدادی از این کاربران بر تخمین رتبه کاربر مد نظر تأثیر بیشتری مـی گذارنـد .
میزان این اثرگذاری به شدت اعتماد بین کـاربران بسـتگی دارد کـه مبتنـی بـر فـاکتور شـباهتمحاسبه می شود. در این رابطه،Suv شدت اعتماد مربوط به کاربرانی را نشان میدهد که کاربر u به آنها اعتماد کرده است. مقدار این پارامتر با توجه به رابطـه 5 محاسـبه مـی شـود . R معـرف امتیازهایی است که کاربران مورد اعتماد u به محصولات متفاوت دادهاند. در صورتی که کاربر مد نظر به هیچ کاربر دیگری اعتماد نداشته باشد، پارامتر دوم خودبه خود حذف می شـود. بـرای حـلاین مشکل، یک کاربر دیگر به نام Z در نظر گرفته شده است. ایـن کـاربر، مـورد اعتمـاد همـهکاربران است (, ∀u1 =). همچنین کاربر Z کلیه محصولات را رتبهبندی کرده است. برای هر محصول، امتیازی که کاربر فرضی Z به محصولات اختصاص میدهد با میـانگین امتیاز هـای داده شده به آن محصول برابر است. میانگین امتیازات داده شـده بـا توجـه بـه رابطـه 8 محاسـبه میشود. در این رابطه، X یک متغیر گسسته است که امتیـاز کـاربر Z بـه ازای هـر محصـول رانشان میدهد. این امتیازها در بازه 1 تا 5 قرار دارند. E(X)، میـانگین مقـدار مـورد انتظـار بـرایمتغیر X و برابر با مجموع حاصل ضرب احتمال وقوع هر یک از امتیازهـای ممکـن در مقـدار آنامتیاز است. از طریق تعریف این متغیر می توان اثر امتیاز کلی داده شده به یک محصول در شبکه را نیز بر نمره داده شده به آن محصول از طرف کاربر در نظر بگیریم (ویدلی، 2013).
r max
E (X) =  X P. (X) (8 رابطه
X r= minبا توجه به رابطه جدید تعریف شده برای مقدارrˆui ، مسئله بهینهسازی توضیح داده شده بـرای حالت توسعه یافته روش تجزیه ماتریس، مطابق رابطه 9 خواهد بود.
67059-65845181432277116

 −α− −α+  
min 2 (u,i,r) O (rk 1 p qukik(1) ∀v g, uv >0 s ruv uis)2 β2 (u k, p uk2 + i k, q ik2) (9 رابطه
∀v g, uv >0uv
در ادامه، نتایج به دست آمده از حالت توسعهیافته روش تجزیه ماتریس بررسی مـی شـود و بـاحالت استاندارد روش تجزیه ماتریس و نیز، حالتی که در آن فقط روابط اعتماد صریح لحاظ شده است، مقایسه خواهد شد.
ساختار اجرایی تحقیق
در این بخش، ابتدا دادههای استفاده شده معرفی می شوند، سپس نتـایج بـه دسـت آمـده از حالـتتوسعهیافته روش تجزیه ماتریس، نشان داده خواهد شد.
مجموعه داده
چارچوب پیشنهادی، با استفاده از دادههای جمع آوری شده از وبسایت نقد و بررسـی محصـولاتاپینیونز پیادهسازی شده است. دادههای مورد نیاز شامل دادههای مرتبط با نظرات مانند نام کاربر، نام محصول، دسته و گروه محصول و رتبه محصول است. همچنین دادههای مرتبط بـا پروفایـلکاربران و دادههای مرتبط با شبکه اجتماعی کاربران که بیان کننده ارتباطات اعتماد و عدم اعتماد بین کاربران است نیز لازم است. ویژگیها و خصیصههای آماری مربوط به این دادهها در جـدول2 درج شده است. شکل 2 نیز فراوانی مربوط به امتیازهای اختصاص داده شـده بـه محصـولات را نشان می دهد. دادههای موجود، به دو بخش دادههای آموزش (80 درصـد ) و دادههـای آزمـایش(20 درصد) دسته بندی شده اند.
جدول2. خصیصههای آماری مجموعه داده جمع آوری شده
تعداد مشخصات داده
120492 کاربران
7557600 محصولات
13668320 رتبه بندی ها
841372 اعتماد

شکل
2
.
رتبه

توزیع

نمودار

0
2
4
6
8
10
12
1
3
4
5
2
10
6
×
فراوانیامتیازها


دیدگاهتان را بنویسید