16759

16759

بررسي تأثير شبكه‌هاي اجتماعي آنلاين در تصميم‌گيري خريد مصرف‌كنندگان تحت وب

كارشناسي ارشد

مهندسي فناوري اطلاعات - شبكه

شهريورماه 1395

دكتر رضا برنگي

كامپيوتر

چكيده هم‌زمان با گسترش اينترنت در جامعه، استفاده از انواع شبكه‌هاي اجتماعي برخط و به‌كارگيري آن‌ها در راستاي اهداف تجاري توسعه پيدا كرده است و شركت¬هاي تجاري مختلف در آن به بازاريابي و تبليغات مي¬پردازند. يكي از شروط اساسي موفقيت در اين نوع بازاريابي در شبكه¬هاي اجتماعي، شناخت كاربران و پيدا كردن علاقه¬مندي¬ها و ترجيح‌هاي آن‌ها و ارائه انواع پيشنهادها به كاربران با توجه به شناخت كسب ‌شده از آن‌هاست. مسئله¬ مهم ديگري كه قابل‌ بحث هست، در مورد نفوذ و تأثير تعدادي از كاربران بر روي ساير كاربران ديگر است و شناسايي اين كاربران و تبليغات و انتشار اطلاعات از طريق آن‌ها مي¬تواند كمك زيادي در روند بهبود بازاريابي در شبكه¬هاي اجتماعي نمايد. اين تحقيق در شبكه اجتماعي فيس¬بوك انجام مي¬پذيرد. در مرحله اول به تشخيص افراد پرنفوذ با استفاده از رفتار و جايگاه اجتماعي آن‌ها در شبكه پرداخته مي¬شود و با استفاده از مباحث نظريه گراف، الگوريتمي تعريف مي¬شود كه كاربراني را كه مي¬توانند روي كاربران ديگر تأثير گذار باشند را تشخيص دهد. در ادامه گره‌هاي مشخص ‌شده با اين الگوريتم را دريكي از مدل¬هاي مربوط به انتشار و اشاعه بيماري¬هاي مسري، اجرا كرده و ميزان تأثير آن گره در شبكه را به دست مي¬آوريم. در مرحله دوم سامانه‌اي پيشنهاددهنده طراحي ‌شده كه با استفاده از رفتار و پروفايل كاربران، نزديك¬ترين پيشنهاد را به آن‌ها ارائه مي¬نمايد. جهت بررسي و شناخت كاربران و پيدا كردن تشابهات رفتاري در آن‌ها نيز از فن‌هاي داده¬كاوي استفاده مي¬شود. ميزان كارآيي الگوريتم¬هاي تعريف ‌شده، بر روي ‌داده‌هاي واقعي ارزيابي ‌شده و نتايج بدست ‌آمده بيانگر كارآيي روش ارائه‌ شده در اين تحقيق است. درنهايت نشان داده‌ شده است كه در مرحله اول كاربران شبكه¬هاي اجتماعي كه هركدام از جايگاه اجتماعي خاصي برخوردار هستند به همان نسبت بر روي ساير كاربران ديگر تأثير گذار هستند و در مرحله دوم هم با اولويت‌بندي علايق كاربران، به آن‌ها پيشنهادهايي در راستاي خريد اينترنتي ارائه مي¬شود كه با محاسبه- هاي رياضي به درست بودن و كم خطا بودن روش بالا پي مي¬بريم. واژه‌هاي كليدي: شبكه¬هاي اجتماعي، داده¬كاوي، قوانين انجمني، سامانه‌هاي پيشنهاددهنده

1395/12/07

1/1/1900 12:00:00 AM

Abstract: Social network has gained remarkable attention in the last decade. Accessing social network sites such as Twitter, Facebook LinkedIn an​d Google+ through the internet has become more affordable. People are becoming more interested in an​d relying on social network for information, news an​d opinion of other users on diverse subject matters. Data mining provides a wide range of techniques for detecting useful knowledge from massive datasets like trends, patterns an​d rules. Data mining techniques are used for information retrieva​l, statistical modelling an​d machine learning. These techniques employ data pre-processing, data analysis, an​d data interpretation processes in the course of data analysis. Purchasing decisions are often strongly influenced by people who the consumer knows an​d trusts. Moreover, many online shoppers tend to wait for the opinions of early adopters before making a purchase decision to reduce the risk of buying a new product. Web-based social communities, actively fostered by E-commerce companies, allow consumers to share their personal experiences by writing reviews, rating others’ reviews, an​d chatting among trusting members. In this paper, we present an overview of the impact of social influence (Facebook) in E-commerce decision making to provide guidance to researchers an​d companies who have an interest in related issues. The first step is to identify influential people using their social standing an​d social behavior. By using topics of graph theory, we define an algorithm which can find the user’s mutual behavior. Then for the nodes that was selected by our algorithm we run infectious diseases model an​d then we obtain the impact of those nodes on the network. In the second step we design a recommendation system which uses user’s behavior an​d user profiles, to propose the nearest offer to them. To find similar mechanism to investigate an​d identify the users, we use data mining techniques. Finally, we eva​luate the performance of the defined algorithms on real data an​d the results indicates that the method presented in this study is Efficient. Keywords: Social Networks, Marketing, Graph Theory, Recommendation System