118
правок
Изменения
большая часть исправлений
==Общая информация==
Информация в социальных сетях отличается от информации, полученной из баз данных, с которой обычно работают системы анализа и [[Машинное обучение | машинного обучения]] , своей спецификой.
Прежде всего следует учитывать, что под пользователями социальных сетей понимаются виртуальные личности, созданные реальными людьми.
В связи с этим информация в социальных сетях формируется пользователем в рамках создания виртуального образа с учетом конфиденциальности и представлениях о безопасности конкретного человека.
Таким образом, вопрос достоверности данных, получаемых для дальнейшего анализа , становится весьма актуальным. Следовательно любые данные из социальных сетей должны обрабатываться с дополнительным параметром, характеризующим вероятность их достоверности.
Хотя мы и видим настойчивые попытки владельцев и модераторов сетей идентифицировать пользователей и требовать от них доказательства их реальности, но практика показывает, что нередки случаи использования людьми сразу нескольких аккаунтов в рамках одной социальной сети. Это происходит из-за того, что пользователи стараются физически обособить свои различные интересы, по-разному раскрывающие их личность. Как правило, такие аккаунты имеют разные характеристики, интересы, круги общения.
Люди иногда являются пользователями сразу нескольких соцсетей. Соответственно , соответственно заводят аккаунты в каждой из них. Данные одного человека в разных соцсетях могут дополнять друг друга, тем самым дать более полную информацию о нем.
Кроме того, не следует забывать о фейковых аккаунтах и ботах, создаваемых для введения в заблуждение людей и искажения статистической информации аналитических систем.
Таким образом, идентификация пользователя, включающая в себя группировку разных аккаунтов одного реального человека и исключения фейков является важной задачей анализа данных социальных сетей.
Достоверность этой информации тем выше, чем дольше существует активность в этой группе.
Во внимание берутся:
* Посты. посты;* Комментарии. комментарии; * Лайки. лайки; * Дизлайки. дизлайки; * Анализируются анализируются ссылки на группу в тематических контентах. ; * Интересы интересы других пользователей этих групп.;
Таким образом формируется список интересов анализируемого пользователя.
Достоверность этого списка подтверждается наличием постов и комментариев на данную тематику, а также выявлением круга его знакомых, интересующихся данной тематикой.
Данным , получившим подтверждение из независимых источников , присваивается коэффициент достоверности больший, чем данным, подтверждение которым пока найти не удалось.
Данные, замеченные в фальсификации, получают негативный коэффициент достоверности. Эти данные исключаются из дальнейшей обработки, а пользователю снижается его общий коэффициент доверия.
Количество собираемых данных может быть расширено за счет анализа реакции клиентов на обращения к тем или иным темам. Например, относительное количество кликов на показанную пользователю рекламу и т.д. Это может несколько увеличить эффективность взаимодействия с пользователем.
<br>Принципиально новый подход к взаимодействию с пользователем возможен благодаря использованию более широкого анализа характеристик его личности.
Фундаментальную теорию такого анализа можно почерпнуть из смежных наук , таких как классическая и современная психология.
На житейском уровне мы привыкли разделять характеры людей по дихотомии:
* Рефлексивные {{---}} это меланхолики и флегматики.
==Большая пятерка==
Академическая психология использует [https://ru.wikipedia.org/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B0%D1%8F_%D0%BF%D1%8F%D1%82%D1%91%D1%80%D0%BA%D0%B0_(%D0%BF%D1%81%D0%B8%D1%85%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D1%8F) Большую пятёрку] {{---}} диспозициональная (от англ. disposition — {{---}} предрасположенность) модель [https://ru.wikipedia.org/wiki/%D0%9B%D0%B8%D1%87%D0%BD%D0%BE%D1%81%D1%82%D1%8C личности] человека, отражающей восприятие людей друг другом. В соответствии с названием, модель предполагает, что личность человека включает в себя пять общих и относительно независимых черт.
В ней используют показатели:
* [https://ru.wikipedia.org/wiki/%D0%AD%D0%BA%D1%81%D1%82%D1%80%D0%B0%D0%B2%D0%B5%D1%80%D1%81%D0%B8%D1%8F экстраверсии Экстраверсии (противоположность {{- --}} интроверсия)],.
* Доброжелательности - дружелюбия, способности прийти к согласию (противоположность - конфликтность).
* Добросовестности - сознательности (противоположность - несознательность).
*Большое количество поздравлений с праздниками.
*Портрет/Селфи – превалирует селфи.
*Большое количество фотографий outsideвне дома.
*Активная лицевая экспрессия на фото, особенно на аватаре.
*Большое количество непостановочных, неожиданных фотографий с активными занятиями спортом, тусовками и прочее.
*Друзья преимущественно своего пола.
*Неуказанные контакты и невозможность отправить сообщение на страницу. Превалирующее количество технического контента в аккаунте.
*Пользователь не поздравляет никого с ДР Днем Рождения в соцсети и сам мало получает таких поздравлений.
*Такое же относительно праздников.
*Неотмеченные геолокации и отсутствие чек-инновинов.
*Большое количество фотографий в помещении, отсутствие людей на фото.
*Скупая и сдержанная лицевая экспрессия на лице аватара и других фото.
*Большое количество записей на стене сделанных пользователем.
*Большое количество фото пользователя с другими людьми.
*Частая игра в онлайн игры.
*Высокое разнообразие контекстов на фотографиях и в постах.
Существуют обоснованные и детерминированные признаки для всех этих психотипов и моделей личности, согласно которым пользователи социальных сетей с достаточной степенью достоверности могут быть к ним причислены.
Задача эта вполне решаема с помощью современных методов машинного обучения. Компьютерный анализ текстов, поиск в них заранее определенных паттернов и сигнатур, стиля речи и особенности общения, характерных для тех или иных психотипов пользователя, его эмоциональные реакции и комментарии на чужие тексты, внешний вид и мимика на его фотографиях с высокой достоверностью могут быть причислены к одному из вышеперечисленных психотипов. Кроме того, для каждого из этих психотипов досконально изучены их поведенческие особенности, позволяющие прогнозировать их поведение в зависимости от возникающей ситуации.
Сформированные таким образом предварительные данные несут в себе достаточный потенциал для эффективного решения ставящихся перед нами задач воздействия на реальных людей. Это увеличивает вероятность положительного результата воздействия на сформированные кластеры пользователей, независимо от того , какой области это касается , будь-то коммерческие предложения, политология, социальные опросы или социальные исследования.
Эти технологии вполне современны и активно используются в данный момент.
Возможности наработок смежных гуманитарных дисциплин для воздействия на людей не ограничиваются только использованием психотипов в качестве дополнительных характеристик личности. Например, использование давно отработанной технологии: [https://ru.wikipedia.org/wiki/%D0%9D%D0%B5%D0%B9%D1%80%D0%BE%D0%BB%D0%B8%D0%BD%D0%B3%D0%B2%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B5_%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5 нейролингвистического программирования ] может дать более существенные и эффективные результаты.
Правда для этого следует несколько видоизменить характер сбора и анализа данных. Помимо семантического анализа текстов пользователя предполагается проведение их частотного, лингвистического и стилистического анализа.
Обращение к конкретному пользователю или группам пользователей должны быть автоматически составлены с такими же характеристиками речи, с использованием их словарного запаса, стилистических оборотов и с учетом привычных для них объемов текста, завершенные конкретным призывом к действию.
Особенностями вышеперечисленных методик является:
* Заранее определенный и ограниченный перечень возможных характеристик пользователей соцсетей;.* Автоматический сбор данных с целью назначения пользователю тех или иных характеристик;.
* Прогнозирование и оптимизация реакции пользователя на наш с ним контакт.
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, так, 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.
==Примеры использования данных социальных сетей==
*Соответствующая платежеспособность.
*Положительное реагирование на рекламные предложения.
С этой задачей ежедневно сталкиваются все банки, занимающиеся выдачей кредитов. Необходимость в автоматизации этого процесса назрела давно, ещё в 1960–1970-е годы, когда в США и других странах начался бум кредитных карт.
Лица, запрашивающие у банка заём, – это объекты, а вот признаки будут отличаться в зависимости от того, физическое это лицо или юридическое. Признаковое описание частного лица, претендующего на кредит, формируется на основе данных анкеты, которую оно заполняет. Затем анкета дополняется некоторыми другими сведениями о потенциальном клиенте, которые банк получает по своим каналам. Часть из них относятся к бинарным признакам (пол, наличие телефонного номера), другие — {{---}} к порядковым (образование, должность), большинство же являются количественными (величина займа, общая сумма задолженностей по другим банкам, возраст, количество членов семьи, доход, трудовой стаж) или номинальными (имя, название фирмы-работодателя, профессия, адрес).
Для машинного обучения составляется выборка, в которую входят кредитополучатели, чья кредитная история известна. Все заёмщики делятся на классы, в простейшем случае их 2 – «хорошие» заёмщики и «плохие», и положительное решение о выдаче кредита принимается только в пользу «хороших».
* [[Рекомендательные системы]]
==Источники Информации==
* Cuperman, R., & Ickes, W. (2009). Big Five predictors of behavior and perceptions in initial dyadic interactions: Personality similarity helps extraverts and introverts, but hurts «disagreeables». ''Journal of Personality and Social Psychology, 97'', 667—684667{{---}}684.
[[Категория: Машинное обучение]]
[[Категория: Анализ социальных сетей]]
