Summary:
Τα κοινωνικά δίκτυα έχουν αλλάξει τον τρόπο που επικοινωνούμε, που μοιράζομαστε
ιδέες και πράγματα μεταξύ μας και γενικότερα τον τρόπο με τον οποίο παράγονται
τα δεδομένα στο διαδίκτυο αφού πλέον οι χρήστες εισάγουν τα δεδομένα και όχι οι
εταιρείες. Στις διάφορες εφαρμογές κοινωνικής δικτύωσης οι χρήστες χρειάζεται
να παίρνουν αποφάσεις σχετικά με ποιους χρήστες ή / και πιο περιεχόμενο θα
εμπιστευτούν για να διεξάγουν συναλλαγές στα πλαίσια της κάθε εφαρμογής. Κατά
συνέπεια, οι εφαρμογές αυτές προκειμένου να είναι αποτελεσματικές χρειάζονται
μηχανισμούς που θα βοηθούν τους χρήστες να λαμβάνουν ποιοτικές αποφάσεις
εμπιστοσύνης βασισμένες σε διάφορα κριτήρια. Τέτοιοι μηχανισμοί περιλαμβάνονται
στα συσήματα φήμης τα οποία υπολογίζουν τιμές φήμης για χρήστες ή περιεχόμενο,
με βάση συγκεκριμένες βαθμολογίες (άμεσοι μηχανισμοί φήμης) και κυρίως άλλα
στοιχεία όπως οι κοινωνικές σχέσεις, η ομοιότητα μεταξύ χρηστών, οι
δραστηριότητα των χρηστών, κ.α.. (χρησιμοποιούμε τον όρο "έμμεσοι μηχανισμοί
φήμης” για τους μηχανισμούς που δεν βασίζονται στην άμεση βαθμολόγηση). Η
παρούσα εργασία έχει δύο στόχους: 1) την παρουσίαση διαφόρων κατηγοριών
συστημάτων φήμης που χρησιμοποιούν έμμεσους μηχανισμούς φήμης, και 2) τη
δημιουργία ενός έμμεσου συστήματος φήμης. Συγκεκριμένα,παραθέτουμε τη δική μας
υλοποίηση ενός συστήματος φήμης για το Twitter, ένα απο τα πιο δημοφιλή
κοινωνικά δίκτυα. Στό σύστημα αυτό, το οποίο λέγεται Υπολογιστής Επιροής
υπολογίζουμε την επιρροή χρηστών ή του περιεχομένου θεματικών ενοτήτων στο
Twitter. Τέλος για την αξιολόγηση του συστήματός μας, το συγκρίνουμε με το με
το καθιερωμένο εργαλείο υπολογισμού επιρροής σε κοινωνικά δίκτυα, Klout.
Keywords:
Collaborative filtering, Recommendation Systems, Social Networks, Online social influence, Media analytics
