118
правок
Изменения
связанные с нашими конкретными задачами и интересами
* IP-адреса.
* Геолокация.
* Характеристика устройства и т.д.
Кроме того, важно зафиксировать кто является друзьями и подписчиками пользователя и на кого пользователь сам подписан.
Анализируются:
Значение личностных моделей во многом определяется их способностью предсказывать поведение индивида. Существует много исследований на эту тему. В частности, Cuperman and Ickes (2009) изучали поведенческие корреляты Большой пятёрки в контексте межличностного взаимодействия участников исследования. Было показано, что Большая пятёрка может предсказывать не только определённые формы поведения, но и реакции партнёра по общению. Например, было обнаружено, что с увеличением нейротизма возрастает число взглядов партнёра на такого человека. Cuperman and Ickes (2009) также показали, что личностные черты партнёров в диаде могут взаимодействовать между собой. Например, было показано, что удовлетворённость от общения зависит от степени экстраверсии (интроверсии) партнёров таким образом, что она возрастает по мере сходства партнёров по этому параметру.
<br>Методами машинного обучения можно выявить дополнительные закономерности для моделей Большой пятерки уже непосредственно связанные с нашими конкретными задачами и интересамиисходя из нужд конкретных задач.
==Связь показателей Большой пятерки с характеристиками из социальных сетей==
* Положительные конструкции предложений, без частицы «не».
* Слова с коннотациями возможности (могу, можно, возможно), желания (хочу), намерения (намереваюсь), способности (способен).
* Сравнительные степени без негативных сравнений «лучше», «больше», «громче», «быстрее», «значительнее» и др.. * Положительные формулировки и номинализации (решение, задача, умение и пр.). * Глаголы с положительной окраской (получить, решить, создать, добавить, изучить и пр.).
* Негативные конструкции предложений с частицей «не». – слова с коннотациями необходимости (нужно – не нужно), долженствования (должны – не должны) и обязательств (обязан – не обязан).
* Сравнительные степени с негативной коннотацией «не хуже», «не плохо», «не меньше», «незначительно».
* Проблемные формулировки и номинализации (проблема, сложность, затруднение и пр.). * Глаголы с негативной окраской (избежать, избавиться, исключить, выбросить, помешать и пр.).
* Частые ссылки на негативный опыт и прошлое время.
* Критичные высказывания и скепсис по поводу актуальных задач, планов и решений.
Характеристики:
*Небольшое число друзей.
*Значительное количество контента, связанного с агрессивностью и экстримом: бои без правил, война, насилие и пр.
*Большое количество политического контента.
*Горячие тона фотографий.
*Большое количество геотегов и чек-иннов.
*Большое количество информационного постинга (длинна поста более 300 знаков). Страница, с исключительно профессиональным контентом.
*Большое количество фотографий из семейного контекста (с семьей, с детьми и пр.).
Особенности лингвистики личного постинга:
* Слова с коннотациями необходимости (нужно – не нужно), долженствования (должны – не должны) и обязательств (обязан – не обязан).
* Конструкции с пассивным залогом и сложносочиненными предложениями («мне была предоставлена информация о том, что…», «если бы мы владели полной информацией, то решение было бы принято»).
* Перечисления («во-первых», «во-вторых», «в-третьих»), разделения (первый шаг, второй шаг и т.д.так далее) и последовательности (в начале, потом, в конце). * Причинно-следственные связи и слова-связки, указывающие на них (поэтому, следовательно, так как, исходя из, если – то и пр.).
*Большое количество геотегов и чек-иннов.
*Большое количество информационного постинга (длинна поста более 300 знаков). Страница, с исключительно профессиональным контентом.
*Большое количество фотографий из семейного контекста (с семьей, с детьми и пр.).
Следует отметить, что возможности машинного обучения значительно шире реализации описанных выше технологий.
В частности, представляется возможным осуществление недоступных ранее схем обратной связи. Рассмотрим существующую совокупность интересных нам людей, полностью удовлетворяющих нашим требованиям. Например: покупатели, купившие наш уникальный товар, избиратели, поддержавшие наше общественное движение, и т.д.
Методом машинного обучения возможен анализ активности, характерной для этих людей в социальных сетях, и выявление кластеров параметров, характерных этой совокупности людей.
При этом, найденные кластеры могут не иметь ни вербального, ни логического обоснования и вообще их количество заранее не определено. Например, вполне может выясниться, что люди купившие ваш дорогой, уникальный товар по непонятной причине одновременно интересуются рыбалкой, делают одинаковые грамматические ошибки, часто используют букву “Ж”. Это совокупное свойство не имеет названия и не может быть объяснено логически, но может помочь в поиске дополнительных клиентов. Разумеется такие гипотезы, найденные компьютером, нуждаются в проверке и в подтверждении.
