Mais conteúdo relacionado Semelhante a LCEE-FA-1308-108 (20) LCEE-FA-1308-1081. کنفرانس اولینملیلنگرود واحد اسالمی آزاد دانشگاه برق مهندسی
1
شبکه از استفاده با آنالین اجتماعی های شبکه کاربران شخصیتی خصوصیات بینی پیش
عصبیRBF
نوری گل فرزاد1،سهرابی کریم محمد2ویغما فرزینیی3
1دانشآموختهکارشناسی،ارشدگروهمهندسیکامپیوترواحد ،علوموتحقیقات،سمناناسالمی آزاد دانشگاه,،،سمنانایران،
farzadgolnoori@yahoo.com
2
هیاتعلمیکامپیوتر مهندسی گروه،واحدعلوموتحقیقات،سمناندانشگاهآزاداسالمی،،سمنانایران،
Amir_sohraby@yahoo.com
3
هیاتعلمیدانشکدهمهندسیبرقو،کامپیوتردانشگاهسمنان،سمنان,ایران
f_yaghmaee@semnan.ac.ir
چکیده-آ اجتماعی های هستند.شبکه اجتماعی های شبکه در خود شخصیت ابراز حال در دنیا سرتاسر در زیادی افراد اخیر سالهای در،نالین
ترجی و عالیق آوری جمع طریق از را افراد توییتر،شخصیت و بوک فیس نظیرو ظبط اجتماعی های شبکه در آنها های فعالیت همچنین و آنها حات
طر از .باشد مفید دار هدف وبازاریابی اجتماعی تحقیقات جمله از زیادی کاربردهای در تواند می فرد یک شخصیت از کنند.اطالع می ذخیرهفی
رایانه پردازش فناوری سریع توسعه با امروزهمر افزارهای نرم ایجاد و ایمدل به مربوط مسائل حل برای مصنوعی هوش فناوری مزایای از ،بوطه
سیستم سازیهابیش از بیشمی استفادهشوداجتماعی های شبکه کاربران شخصیتی خصوصیات خودکار بندی طبقه برای روشی تحقیق دراین .
عصبی شبکه پایه بر آنالینRBFاز استفاده که داد نشان نتایج .است شده ارائهعصبی های شبکهRBFبندی طبقه منظور به باالیی دقت از
بودن وباز گرایی ،سازگاری،وجدان احساسی ثباتی بی شخصیتی خصوصیات052است برخوردار بوک فیس عضو کاربر.
واژه کلید-شخصیت بینی پیش،آنالین اجتماعی های شبکه،عصبی شبکهRBF،بوک فیس،کاربر سازی مدل
1-مقدمه
ک طور بهلیت و ایجاد فرایند کاربر سازی مدلرا کاربر مدل غییر
می توصیفتطبیق و سازی سفارشی ،کاربر سازی مدل کند.هدف
است کاربر خاص نیازهای به ها سیستم]1[.نشان کاربر مدل
کاربر یک با ارتباط در شخصی های داده از ای مجموعه دهنده
است خاص.گون هر برای اساسی و پایه ،بنابراینتغییرات ه
است سیستم رفتار به انطباقی]2[ها داده از یک کدام که این .
دارد برنامه هدف به مستقیم بستگی شود گنجانده مدل در]2[.
تواند می ها داده اینهای داده،کاربران سن و نام مانند شخصی
و عالقه عدم ،ترجیحات ،ها برنامه و اهداف ،دانش و ها مهارت
یاهایی دادهبا او تعامل و کاربر شخصیت و رفتار مورد در
باشد سیستم]2[های ویژگی از یکی شخصیت ،میان این در .
.باشد می زمینه این در جالبحقیقت دربه تواند می شخصیت
را فرد یک رفتاری تمایالت که هایی ویژگی از ای مجموعه عنوان
شود تعریف کند می معرفی.درزم تمایالت و گرایش اینان
مختلف های وموقعیتاست پایدار]2.[و کلمات از هریک
تو،خوش مهربان ، باز دل و ،دست گذران خوش مانند صیفاتی
، بینخودخواه،عجول،صبورودر ، افراد توصیف برای اجتماعی
ویژگی یا خصیصه یک بیانگر حقیقتفرد آن شخصیتیمی
باشد]3[.
)بزرگ (پنج شخصیت گانه پنج ابعاد]3[:
در را شخصیتی های خصیصه اکثر توان می تئوری این اساس بر
:از عبارتند شخصیتی بعد پنج .این داد قرار اصلی گروه پنج
1-1-گرایی برون یا خویی شاد1
است ممکن فرد بعد این :از
حرفی،جمع ،پر گرمی خون با که باشد گرا برون کامال
1 Extroversion
2. کنفرانس اولینملیلنگرود واحد اسالمی آزاد دانشگاه برق مهندسی
2
نف به ،اعتماد ،جسارت بودن)جرات (اجتماعی گراییس
بودن انرژی پر و ،ماجراجویی،هیجان ،پیشگامی
قرار مقابل نقطه در درست اینکه یا شودو می مشخص
باشد گرا درون و بگیرد.
1-0-سازگاری0
:کامال است ممکن فرد نظر نقطه این از
به کننده ،اعتماد دوست ،نوع ،مهربان دلسوز
پذیر دیگران،تفاهمیا باشدو فروتن و بین ،خوش ،همدم
اینکهنقطه در درست،بدبین شکاک فردی مقابلویک
دنده.باشد
1-3-بودن باز یا جدید تجربیات و چیزها پذیرندگی3:این
برای فرد پذیرش و آمادگی میزان کننده تعیین ویژگی
،جدید و تازه چیزهایآبوده ،نوآوری،ماجراجویی موزش
،در دارد گوناگونی و متعدد عالیق فرد معموال و
بود موفق تحصیالتو سازی ،تجسم خالقیت ،حالت ه
که دارد قرار فردی مقابل در .دارد خوبی پردازی خیال
ر یا و بسته ،کار محافظه کامالهرچیز از و بوده ادیکال
ت و تازهغسایر از بیشتر ویژگی .این است گریزان ییری
شود می بیشتر سن افزایش با و زمان مرور به خصایص.
1-4-شناسی ووظیفه پذیری تعهد4
:افدرجه از که رادی
بر خوبی کنترل هستند برخوردار ویژگی این از باالیی
،پیرو گرا هدف و دارند خود های هوس و هوی روی
،قابل مشخص های الویت ،با ریز ،برنامه عرف و قواعد
،دقت ،منظم،مرتب،با شناس وقت ، اعتمادسخت
هستند پشتکار با و کوش،متعهد.
1-5-عاطفی احساسی ثباتی بی5
:اینسایر خالف بر ویژگی
نمای و داشته منفی بعد یک ها خصیصهامیزان نگر
احساس بروز و تاثیرپذیری و حساسیتا(نظیر منفی ت
و )آنی های ،رفتار رویی کم و ،خصومت ،خشم اظطراب
رنج زودیاست شخص بودن ایرادگیر یا و.
2 َََAgreeableness
3 Openness
4 Conscientiousness
5 Neuroticism
تردتف تکتی تیتتشخص تتنباطتاس،تهتاینک توردتم در تاتیتنکاو
هنگا به احتماالبرختورد چگونه مختلف های موقعیت با مواجهه م
میدهد می نشان را کند]2[توانتد متی کتاربر شخصیت شناخت .
آمتتوزش ،کمکتتی هتتای آوری فتتن همفتتون هتتایی زمینتته در
الکترونیکی]4, []5[های سیستم ،الکترونیکی تجارتاز مراقبت
هتای سیستتم یتا و سالمتشتود واقتع مفیتد دهنتده پیشتنهاد
]2[در .همینطور]6[در بودن باز خصوصیت ارتباط بین ای رابطه
خرید و تازه تجارب برابرآاستت شتده داده نشتان نالین.ایتن بته
باالی درجه با افراد که صورتخصوصیتبیشتری تمایل بودن باز
در دیگر کاربردی در یا دارند آنالین و اینترنتی خرید به]6[نشان
دا افراد که است شده دادهمحصتوالت ختاص شخصیتی نوع رای
دهند می ترجیح نیز را خاصی.شتد داده نشتان نمونته برایهکته
بترق و زرق پتر هتای ماشتین بته بیشتتری گراگرایش برون افراد
تدتدارن]7[تهتب تردنتب تیتپ ترایتب روش ترینتت تجترای .تیتتشخص
شخصتیت نامته پرستش کتردن پر برای کاربر از کاربر،درخواست
روش این حال این با استبتر هزینته و گیر وقت بسیار تواند می
باشد]2. [ازآنامه پرسش این اغلب نجائیکهسوال زیادی تعداد ها
کتافی صتداقت سواالت به جواب در تواند می کاربر دارند خود در
پاستت حتتاوی آزمتتون باشتتدو نداشتتتهباشتتد نادرستتت های
]2[بندی طبقه تحقیق این .هدفشخصیتی های ویژگیکاربربتا
از مانتده جتا به های داده انواع از استفادهکتاربرهتای شتبکه در
پارامترهای شناخت ،مساله اولین جهت این باشد.در می اجتماعی
شبکه در شخصیت استنباط در موثرتعتداد (ماننتد اجتماعی های
پستتت تعتتداد ،دوستتتان،هافتتیس در دوستتتان شتتبکه چگتتالی
الیک بوک،تعدادبتوک فیس در هاتوییت تعتداد ،،تتوییتر در هتا
در ختاص عالمتات یا و ،عبارات کلمات از استفاده عدم یا استفاده
و )اجتماعی شبکه در کاربر توسط شده نوشته متونرابطه کشف
از هریک با پارامترها اینخصوصیات.باشتد متی شخصتیتیگتام
جهتت در ماشتین یتادگیری هتای الگتوریتم از استفاده بعدی
بن طبقهدیخصوصیاتبرای که است کاربر شخصیتیدستتیابی
عصبی های شبکه از مطالعه این در ،هدف این بهRBFاستتفاده
.است شده
0-مرتبط کارهای
مطالعاتی به تحقیق موضوع این با مرتبط مطالعات از ای دسته
ویژگی میان همبستگی کاوش در سعی که شود می مربوطهای
3. کنفرانس اولینملیلنگرود واحد اسالمی آزاد دانشگاه برق مهندسی
3
موجود وپارامترهای شخصیتیدر حاضر کاربران های پروفایل در
اند داشته اجتماعی های شبکه]11[و]11[.مطالعات این در
های ویژگی مورد در جالبی منفی و مثبت های همبستگی
ها ویژگی و اجتماعی های شبکه در موجودیبدست شخصیتی
است آمده.،همبستگی ها همبستگی این ترین تکرار پر از یکی
د تعداد مثبتکه است برونگرایی شخصیتی ویژگی با وستان
تعداد دهنده نشانزیادشبکه در برونگرا افراد دوستانهای
اجتماعیآنالینباشد می]11[.یامثال برایافراد دوستان شبکه
افراد به نسبت بیشتری چگالی دارای ،باال احساسی ثباتی بی با
باشد می برونگرا]11[دیگر .دستهیمطالعات ازشبکه زمینه در
اصلی هدف که هستند مطالعاتی ، شخصیت و اجتماعی های
پارامترهای از بااستفاده شخصیتی خصوصیات بینی پیش آنها
مدرشبکه وجودباشد می اجتماعی هایامتیاز ماهیت به توجه .با
تست نوع توجه با و کاربر به مربوط شخصیتی خصوصیات
انتخابیت می خصوصیات امتیازاین ،واند،در پیوسته عدد یک
مثال (برای شده گذاری برچسب یا شده تعیین قبل از بازه یک
های ویژگی پیشبینی مسئله خاطر این .به باشد )زیاد یا کم
رگرسیون یا بندی طبقه مساله یک به تواند می ،شخصیتی
تبدیل.شود
این از تعدادی در شخصیتی های ویژگی بینی پیش مورد در
تنهتا کارهاشتبکه از کتاربران استتفاده بته مربتوط هتای داده از
ستاخت بترای یکتدیگر بتا کاربران تعامالت های داده و اجتماعی
در مثال برای . است شده استفاده مدل]2[مربتوط هتای داده از
دوستتان تعتداد ماننتد ، اجتمتاعی شتبکه از کتاربران استفاده به
هتای متاه وتعداد گذشته ماه در ها پست وتعدادکتار کتاربر کته ی
از و ویژگتی بعنتوان استت کترده شروع بوک فیس در را خودش
طبقته بترای ،کننتده بندی طبقه الگوریتم بعنوان تصمیم درخت
کالسه پنج و کالسه سه حالت دو در شخصیتی خصوصیات بندی
دارای )متوسط ،،زیاد کالسه(کم سه حالت که است شده استفاده
بندی طبقه برای باالتری دقتبترای متوستط بطتور و باشتد می
دقت ها ویژگی همه71%کته این به توجه با . است شده گزارش
هتای ویژگی با متنی های داده همبستگی مطالعات از بسیاری در
استت رستیده اثبتات به شخصیتی،از بعضتی درمطالعتاتمتتن
توییتت یتا ها پست در موجود متن یا کاربران پروفایل در موجود
بعنو نیز هاشخصیت استخراج برای ابزاری اننظر مدگرفتته قرار
این در .اندمطالعاتهای ابزار ازآمانند متن نالیز] LIWC14[
. است شده استفادهدسته از استفاده افزار نرم اینتعیین پیش از
سرتاسر در را کلمات از ای شدهآرگیتری اندازه ها متن از ای ایه
تیتمتد.درتکن]11[ا تتفادهتبااسزتاتتاطالعتاتت،اطالع تاختاریتس
شتناختی زبان های ویژگی همفنین و رفتاری ،اطالعات شخصی
رگرستیون تکنیتک دو از استتفاده بتا ،و متتن از شده استخراج
m5sup/RulesوGaussian Processesکننتده بینتی پتیش مدل
کت شخصتیتی هتای ویژگتی بینتی پیش برایبتوک فتیس اربران
است شده ساختهت .اخیرادستتمایه کتاربران عالیتق و رجیحات
در است گرفته قرار شخصیتی خصوصیات استخراج برای محققان
]12[ختاص موضتوعاتی متورد در کاربر های الیک از ماتریسی از
این در .است شده استفاده شخصیتی خصوصیات پیشبینی برای
نزدیتک ختوبی دقت ،بودن باز شخصیتی خصوصیت مورد در کار
آزم نتایج بهولی .است آمده بدست واقعی ونپیشبینیستایر در
تراهتهم تهتب تاالییتب تتتدق تیونترگرس از تتفادهتاس تاتب ،تیاتتخصوص
است نداشته.در]13[و دموگرافیتک پایته اطالعتات بتر عتالوه
در فترد عالیتق ، اجتمتاعی شبکه در فرد یک ساختاری اطالعات
ق نیز دلخواه مورد موزیک یا دلخواه مورد فیلم موردشتده داده رار
توزیتع (مثتل فرد زندگی محل مورد در اطالعاتی همفنین .است
درآمد متوسط،متوسط بطور خانه قومیتی،قیمت(از استتفاده بتا
مثل ابزارهاییAPIسایت و یاهو و گوگلمثل هاییzillow.com
یاEducation.comاستت با و آمده بدستفبیتزین شتبکه از اده
کن بینی پیش مدل.است شده ساخته نده
3-روشها و مواد
توستط شتده تهیه ای داده مجموعه یک از ما مطالعه این در
پروژهmypersonality]12[کتردیم استتفاده روش ارزیابی برای
ستایز ستاختاری(مانند های داده به مربوط ای داده مجموعه .این
فعالیتت بته مربوط های داده ، )چگالی ، ،بینابینی دوستان شبکه
الیتک ها،تعتداد استتاتوس تعتداد ، عضتو های گروه تعداد (مانند
هاشده زده های تگ ،تعداد،)0011و استتاتوس رستانی روز به
امتیازپنجشخصیتی ویژگیکتاربر(آن بته مربتوط وکتالسy,n)
به متعلق251. باشتد متی بتوک فتیس اجتمتاعی شبکه در نفر
م ،دیتاست در موجود های ویژگی بر عالوهدیگتری های ویژگی ا
توستط شتده فرستتاده هتای استاتوس همه در موجود متن از را
وبته کترده استتخراج کتامپیوتری برنامته یتک از استفاده با کاربر
شتر هتا ویژگتی این ادامه در که کردیم اضافه ای داده مجموعه
است شده داده.
3-1-به مربوط های ویژیگیLIWC
4. کنفرانس اولینملیلنگرود واحد اسالمی آزاد دانشگاه برق مهندسی
4
در موجود کلمات از استفاده نرخ64دیکشنری دستهLIWC
،کلمات تعداد متوسط ، شده استفاده ی ها جمله تعداد متوسط
ترفتح تشتش از ترتبزرگت تاتتکلم تدادتتع تطتومتوس تدهتش تتفادهتاس
طتول متوستط همفنین و کاربر های استاتوس در شده استفاده
همه در شده استفاده های جملهها استاتوس.
3-0-تاریخ به مربوط های ویژگی
زم فاصله متوسطمتوستط (هتا استتاتوس روزرستانی بته انی
متتوالی استتاتوس دو دادن قترار بین که روزهایی و ساعت تعداد
.) دارد وجود کاربر
3-3-عبوارات و وات ات از اسودفادز بوه مربووط های ویژگی
خاص
امتاتیکن تعداد متوسط6
مثتال (بترای<3)اینترجکشتن ،7
(بترای
مثالwow)،اکترونیم8
مثتال (بترایLOL)وپانکفویشتن0
(بترای
)!.؟ مثال.کاربر های دراستاتوس شده استفاده
3-4-ات،بدست ات احساس به مربوط های ویژگیآبا مدز
NRC Lexicon]15[
لکسیکون اینبردار یک دربردارنده11باینری بعدیمربوطبه
11احساسمثبت،منفی،عصبانیت،انتظار،تنفر،ترس،سرمستی
،غمگینی،شگفتیاعتماد و14177انگ کلمه.ما باشد می لیسی
لکسیکون این دسته هر در کلمات تعداد متوسط کاربر هر برای
در موجود کلمات همه تعداد متوسط و کاربر های استاتوس در
کاربر های استاتوس در که )احساسی بار (دارای لکسیکون این
.کردیم محاسبه را دارند حضور
3-5-آمدز ،بدست ات ات عقاید به مربوط های ویژگی
بااساز دفادزSentiment Wordnet3.0]16[
دیکشنری ایناست کاوی عقیده برای لغوی ابزار یکآن در که
،منفی مثبت امتیاز سه دارای دیکشنری این در موجود کلمه هر
وفاعلیت11
استاتوس کلمات تمامی امتیاز متوسط ما . باشد می
کردی محاسبه را دارند وجود دیکشنری این در که کاربر های. م
3-6-ویژگیبه مربوط هایات ات لیستAFINN]17[
6 Emoticon
7 Interjection
8 Acronym
0 Punctuation
11 Subjectivity
حاوی دیکشنری ایناز لیستی2477ظرفیت رتبه و کلمه
کلمات این احساسی(بین( [-5,5]امتیاز متوسط ما .باشد می
دیکشنری این در موجود کاربر های استاتوس کلماتازای به
ها استاتوس تعداددر کاربر های استاتوس کلمات امتیاز ،متوسط
های استاتوس کلمات کل تعداد ازای به دیکشنری این
در که دیکشنری این در موجود کلمات تعداد کاربرومتوسط
.کردیم محاسبه را دارند وجود کاربر های استاتوس
3-7-به مربوط های ویژگیهای بخشگرامریزبان
انگتیسی(POS)
تعداد متوسط، قیدها ، ها اسم ،ها فعل،ها مصدرهای صفت
تعداد متوسط ، کاربر های استاتوس در شده استفادهpos
trigramوpos bigramمثال برای ( کاربر های استاتوس در
متوسطاسم دوتایی پیوسته های توالی تعداد-اسم یا فعل-اسم
استاتوس کل تعداد ازای به کاربر های استاتوس در شده پیدا
)کاربر های.برایاز کلمات زنی برچسبابزارزنی برچسب
استانفورد]18[.شد استفاده
4-ویژگی انتخاب
برازش بیش رخداد واحتمال ها ویژگی تعدادانبوه به توجه با
مبتنی ویژگی انتخاب الگوریتم از عصبی،ما شبکه کارایی وتقلیل
فیلتر برinformation Gaing Rankingبه دستیابی برای
های ویژگی تمامی کردیم.ما استفاده ویژگی مجموعه زیر بهترین
معیار توسط شده گذاری رتبه ،صفر باالی رتبه دارای
InformationRankingتوسط مراحل این کردیم.همه انتخاب را
وکا افزار نرم]10[شد انجام.
5-شخصیتی های ویژگی بندی طبقه
عصبی های شبکه از مطالعه این درRBFمن بهبندی طبقه ظور
شد استفاده شخصیتی های ویژگیهای .شبکهعصبیRBFیکی
الیه یک دارای که باشد می پیشرو الیه چند های شبکه انواع از
خروجی الیه یک و مخفی الیه یک وفقط ورودی
است]21[.نرونشبکه در مخفی الیه هایهایRBFتابع دارای
می گوسی غیرخطینرون .باشدمخفی الیه هایچند واحدهای ،
نرون این بعد و هستند بعدیورودی تعداد برابر ،هاشبکه های
است.آموزشRBFنظارت بدون و شده نظارت بخش دو در
می صورتبا ابتدا در که است صورت این به آموزش روند .گیرد
5. کنفرانس اولینملیلنگرود واحد اسالمی آزاد دانشگاه برق مهندسی
5
روش از یکیخوشه هایالیه گوسی تابع پارامترهای ،بندی
می تنظیم ،مخفیوزن سپس و شوندالیه بین ارتباطی های
،نظارت با یادگیری الگوریتم یک کمک به ،خروجی و مخفی
یا و استاندارد خطای انتشار پس در شیب بیشترین روش مانند
گر روشاتنظیم ،... و مارکوآرت روش یا و مزدوج دیان
میگردند]21[.
عصبی شبکه ساخت برایRBFسازی پیاده ازاینعصبی شبکه
افزار نرم دروکاخصوصیت پنج هر ازای به .شد استفاده
عصبی شبکه یک شخصیتیRBFشد ساختهکهاین وظیفه
طبقه دو به کاربر شخصیتی ویژگی پنج بندی طبقه ها شبکه
(y,n)باشد میخروجی به توجه با ورودی الیه های نرون تعداد .
.بود متغیر شخصیتی خصوصیت هر برای ویژگی انتخاب مرحله
همفنینهای خوشه تعداد مثل عصبی شبکه بهینه پارامترهای
خ و آزمون از استفاده با شبکهآمد بدست طا.
مجمو کتوچکی بدلیلبته داده تقستیم بجتای ، ای داده عته
روش از ما تست و آموزشی دوقسمت10Fold CrossValidation
مجموعه روش این .در کردیم استفاده شبکه کارایی ارزیابی برای
ای دادهروی بتر آنالیز هربار و شود می تقسیم مجموعه زیر ده به
می انجام مجموعه یکداده نقتش ها داده مابقی حالیکه در شود
میانگین با برابر نهایی .دقت کنند می ایفا را آموزشی هایدقتت
بدستآبود خواهد مرحله ده این در مده.
6-نتایج
خ هتر بترای ویژگتی انتختاب مرحله خروجی به باتوجهصوصتیت
بین شخصیتی52تا111متی نشتان نتتایج .شد انتخاب ویژگی
دهتدهفتت تامتتمستاختاری تیتویژگ(،تبکه،چگالیتش تایزتس مانند
...و بینابینی)ودوکاربران فعالیتت بته مربوط ویژگی(تعتدادتتگ
شده زده هایوتعدادDiad)ازدیگتر بته نستبت بتاالتری رتبته
معیتار نظتر از هتا ویژگتیinformation gain rankingمتورد در
بندی طبقهبرونگرایی خصوصیتبرخوردارنتد.همفنینمتورد در
هتتای ویژگتتی ،احساستتی ثبتتاتی بتتی خصوصتتیتtransivity،
nbrokerage،densityوbrokerageازبرتر هتای ویژیگیانتختاب
تدهتشتارتمعی ترتنظ ازinformation gain ranking.در تتندتهس
د خصوصیت سه مورد در حالیکه،وجتدان بتودن بتاز یعنتی یگتر
، سازگاری ،گراییو شتود نمتی مشتاهده الگتو اینهتای ویژگتی
بته مربتوط هتای ویژگی خصوص به متن از شده استخراجتتوالی
زبتتان گرامتتری هتتای بختتش تتتایی ستته و دوتتتایی پیوستتته
(pos unigram ,pos bigram)بتتاالتری رتبتته ازختتوردار بتتر
.هستندهمفنینتوجه بانتای بهجبدستآانتختاب مرحله در مده
، ویژگیویژشتده استخراج دیگر های گیهتا استتاتوس متتن از،
بته مربتوط هتای مانندویژگیLIWCبته مربتوط هتای ،ویژگتی
استاتوس ارسال تاری ،،عقیده کلمات احساسهاهتای ویژگتی و
کلمات لیست به مربوطAFINNبنتدی طبقه برای کافی ازقدرت
شخ خصوصیاتبته توجته با باشند.اما نمی برخوردار صیتیآنتالیز
شده انجام پیرسون همبستگیاز استفاده باSPSSهمبستتگی ،
میان معناداری هایاینخصوصتیات و استتخراجی هتای ویژگی
از باشتد تتر برونگرا فرد هرچه مثال .برای شد مشخص شخصیتی
کلمتاتاحساستیتتتمثب(r =.185**)تاتی وازتروهتگ در کلمتات
posemo(r =.185**)،احساسمستی سر و خوشی(r =.223*)
گروه در کلمات از وaffect(r =.166**)کن می استفاده بیشتر.د
ثبتاتی بتی بتا افتراد رفتت متی انتظتار که همانطور دیگر ازطرف
کلمتتات از ،بتتاال احساستتیاحستتاس دهنتتده نشتتانمثبتتت
(r =-.240**)تعجب احساس و(r =-.128*)متی استتفاده کمتتر
کننداحساستی ثباتی بی با افراد دهد می نشان نتایج حال این .با
دستتته کلمتتات گتتروه از بیشتتتر استتتفاده بتته تمایتتل بتتاال
anger(r =.162*)گتروه در کلمتات از استتفاده بته کمتر تمایل و
leisure(r=-.147*)از استتفاده مثبتت رابطته همفنتین .دارنتد
کلمتتتاتجنستتتی(r=.183**)احساستتتی بتتتار بتتتا کلمتتتات و
مثبت(r=.134*)دستته کلمتات از استتفاده یا و گرایی وجدان با
social(r=.171**)،money(r=.134*)،you(r=.157*)،hear
(r=.127*)باخصوصتیتبتودن بتازامتیتاز متوستط رابطته یتا و
کلمتتتاتAFINNهتتتا استتتتاتوس درگرایتتتی وجتتتدان بتتتا
(r=.162*)،سازگاری(r=.150*)(برونگرایی و ،r=.148*رابطته )و
منفیکلمات تعداد متوسطAFINNها استاتوس درثباتی بی با
احساسی(r=-.160*)ومثبت رابطهآنبتابرونگرایتی(r=.238**)
. باشد می آمده بدست جالب های همبستگی از دیگر ای نمونه
ستا عصتبی های شبکه بندی طبقه کارایی ارزیابی برایخته
شخصیتی خصوصیت پنج بندی طبقه نتایج ما شدهاز استتفاده با
عصبی شبکهRBFمعتروف بنتد طبقه دو بندی طبقه نتایج با را
SVM , Naïve Bayesو دقتت معیتار دو نظر ازیتادآوری]10[
جتدول در نتایج که ، کردیم مقایسه1استت شتده داده نشتان.
تبیتعص تایته تبکهتش داد تانتنش تایجتنتRBFتدیتبن تهتطبق در
احساسی ثباتی بی های خصوصیت(بادقت230,2یادآوری و230,2)
6. کنفرانس اولینملیلنگرود واحد اسالمی آزاد دانشگاه برق مهندسی
6
،سازگاری(بادقت229,2یادآوری و222,2)گرایتی ،وجتدان(بادقتت
22,2یادآوری و264,2)بودن باز و(بادقتت275,2یتادآوری و276,2)
بنتد طبقته دو به نسبتNaïve BayesوSVMکتاراییبهتتری
دارد.ط در حالیکه دربنتد طبقه برونگرایی خصوصیت بندی بقه
SVMدقت با بهتری کارایی852,1یادآوری و848,1این دارد.در
بنتد طبقته بترای خصوصیت ترین ساده میانRBFخصوصتیت
دقت با سازگاری880,1ویاداوری888,1ستخترین حالیکته در .بود
بتا احساستی ثبتاتی بتی ،خصوصیت بندی طبقه برای خصوصیت
دقت832,1یادآوری و832,1.بود
ویژگیRBFSVMNaïve Bayes
یادآوریدقتیادآوریدقتیادآوریدقت
برون
گرایی
836,1835,1242,2250,2812,1813,1
بی
ثباتی
احساس
230,2230,2764,1776,178,1822,1
سازگار
ی
222,2229,2868,188,1824,1856,1
وجدان
گرایی
264,222,2812,1852,1776,1812,1
باز
بودن
276,2275,282,1857,186,1858,1
جدول1:بندی طبقه نتایج مقایسهباRBF,SVM,Naïve Bayes
7-نتیجهگیری
شبکه از کاربران شخصیت بینی پیش مساله ما مطالعه این در
این از استخراج قابل های داده انواع از استفاده با را اجتماعی
ها شبکهدادیم شر.ازوی متنوعی مجموعه ماژقابل های گی
طبقه جهت در را بوک فیس اجتماعی شبکه محتوای از استخراج
دادیم قرار برسی مورد کاربر شخصیتی خصوصیات بندی.سپس
کاراییعصبی شبکهRBFبا رابند طبقههادیگر یمنظور به
کردیم مقایسه شخصیتی ویژگی پنج بندی طبقه.نتایجداد نشان
عصبی های شبکهRBFبندی طبقه دربی های خصوصیت
دو به نسبت بودن باز و گرایی ،سازگاری،وجدان احساسی ثباتی
بند طبقهNaïve BayesوSVMدر دارد بهتری کارایی
بند طبقه برونگرایی خصوصیت بندی طبقه در حالیکهSVM
معیار نظر ازهاییادآوری و دقتکاراد بهتری ییارد.این نتایج
قبیل از عصبی شبکه ذاتی های قابلیت به توجه با تحقیقسرعت
باالدر،موازی محاسباتحذف قابلیت،نویزمقاومتدربرابر
تغییرپارامترهاوقابلیتتعمیمرا جدیدی پنجره تواند می ، باال
شبکه از استفاده برایهای ویژگی بینی پیش در عصبی های
م روی به شخصیتی.بگشاید حققین
مراجع
[1] A. Kobsa, “Generic user modeling systems” User modeling and
user-adapted interaction, Vol. 11,No. 1-2 , pp. 49-63, 2001.
[2] A. Ortigosa, R. M. Carro and J. I. Quiroga, ‘‘Predicting user
personality by mining social interactions in Facebook’’ Journal of
Computer and System Sciences, Vol. 80 , pp. 57-71, 2014.
[3] L. R. Goldberg and T. K. Rosolack,The Developing Structure of
Temperament and Personality from Infancy to Adulthood, Chapter
The Big Five Factor Structure as an Integrative Framework: An
Empirical Comparison with Eysenck’s P-E N Model, Erlbaum,
New York, 1994.
[4] T. Chamorro-Premuzic and A. Furnham, ‘‘Personality predicts
academia performance: Evidence from two longitudinal
examples’’ Journal of Research in Personality, University College
of London, Vol. 37,No. 4,pp. 319-338, 2003.
[5] V. S. Hórreo and R. M. Carro, ‘‘Studying the impact of
personality and group formation on learner performance’’.
In Groupware: Design, Implementation, and Use Springer Berlin
Heidelberg, pp. 287-294, 2007.
[6] C. C. Wang and H. W. Yang, ‘‘Passion for online shopping: The
influence of personality and compulsive buying’’ Social Behavior
and Personality: an international journal, Vol. 36, No. 5, pp.
693-706, 2008.
[7] C. Sumner, A. Byers, M. Shearing, ‘‘Determining personality
traits & privacy concerns from facebook activity’’. Black Hat
Briefings, 11, 2011.
[8] A. Aluja, J. Rossier, L. F. García, A. Angleitner, M. Kuhlman and
M. Zuckerman, ‘‘A cross-cultural shortened form of the ZKPQ
(ZKPQ-50-cc) adapted to English, French, German, and Spanish
languages’’ Personality and Individual Differences, Vol. 41,No.
4, pp. 619-628, 2006.
[9] S. Bai, T. Zhu, and L. Cheng, ‘‘Big-Five Personality Prediction
Based on User Behaviors at Social Network Sites’’ eprint
arXiv:1204.4809, 2012.
[10] Y. Bachrach, M. Kosinski, T. Graepel, P. Kohli and D. Stillwell,
‘‘Personality and Patterns of Facebook Usage,’’ In Pro-ceedings
of the Third Annual ACM Web Science Conference, pp. 36-44,
2012.
[11] J. Golbeck, C. Robles and K. Turner, ‘‘Predicting Personality
with Social Media’’ In CHI'11 Extended Abstracts on Human
Factors in Computing Systems.ACM pp. 253-262,2011
[12] M. Kosinski, D. Stillwell, T. Graepel, ‘‘Private traits and
attributes are predictable from digital records of human
behavior,’’In Proceedings of the National Academy of Sciences,
Vol. 110,No. 15, pp.5802-5805, 2013.
[13] D. chapsky, ‘‘Leveraging Online Social Networks and External
Data Sources to Pridict Personality’’ In Advances in Social
Networks Analysis and Mining (ASONAM), 2011 International
Conference on, pp. 428-433. IEEE, 2011.
[14] J. W. Pennebaker, M. E. Francis, and R. J. Booth, 2001 Inquiry
and Word Count: LIWC 2001. Mahway: Lawrence Erlbaum
Associates, 71, 2001.
[15] S. M. Mohammad and P. Turney. Crowdsourcing a word–emotion
association lexicon. Computational Intelligence, Vol. 29,No. 3,
436-465, 2013.
[16] S. Baccianella, A. Esuli, F. Sebastiani, ‘‘SentiWordNet 3.0: An
Enhanced Lexical Resource for Sentiment Analysis and Opinion
Mining’’ InLREC Vol. 10, pp. 2200-2204, 2010
[17] F. Å. Nielsen. ‘‘A new ANEW: Evaluation of a word list for
sentiment analysis in microblogs’’ arXiv preprint
arXiv:1103.2903, 2011.
7. کنفرانس اولینملیلنگرود واحد اسالمی آزاد دانشگاه برق مهندسی
7
[18] K. Toutanova,D. Klein, C. Manning, and Y. Singer,‘‘ Feature-
Rich Part-of-Speech Tagging with a Cyclic Dependency
Network,’’ In Proceedings of HLT-NAAC, pp. 252-259 , 2003.
[19] I. H Witten and E. Frank, Data Mining: Practical machine
learning tools and techniques. Morgan Kaufmann, 2005
[20] J. Park, and I.W. Sandberg, ‘‘Approximation and Radial-Basis-
Function Networks’’, Neural Computation., Vol. 5,No. 2, PP. 305-
316, 1993.