دانلود رایگان ترجمه مقاله چالش های کاوش رسانه های اجتماعی – IEEE 2013

ieee2

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

کاوش در رسانه های اجتماعی: چالش ها و فرصت ها

عنوان انگلیسی مقاله:

Mining Social Media: Challenges and Opportunities

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۳
تعداد صفحات مقاله انگلیسی ۱۰ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله اینترنت و شبکه های گسترده
چاپ شده در مجله (ژورنال) کنفرانس بین المللی هوش و فناوری اجتماعی – International Conference on Social Intelligence and Technology
ارائه شده از دانشگاه دانشگاه ایالتی آریزونا
رفرنس دارد 
کد محصول F990
نشریه آی تریپل ای – IEEE

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۳ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر  ترجمه شده است  
ترجمه متون داخل تصاویر ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
منابع داخل متن به صورت عدد درج شده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 
توضیحات ترجمه این مقاله به صورت خلاصه انجام شده است.

 

فهرست مطالب
چکیده
۱- مقدمه
۲-انتشار اطلاعات
۳- حریم خصوصی و آسیب پذیری
۴-پیش بینی اعتماد
۵- تحلیل احساسات
۶-مهاجرت کاربر
۷- شبکه های اجتماعی مبتنی بر مکان
۸- ابزار هایی برای  بهره گیری از رسانه های اجتماعی
تراکر هماهنگ سازی ASU
۹- نتیجه گیری
 

 

بخشی از ترجمه

چکیده :
فرصت های ایجاد شده با شبکه های اجتماعی منجر به هجوم میلیون ها کاربر به سایت هایی نظیر تویتر، فیسبوک و فوراسکوئر شده است. حتی سایت هایی نظیر آمازون به کاربران توانایی تعامل با یک دیگر را داده است، اگرچه این تعامل هدف اصلی بیان شده توسط این سایت نمی باشد. این سایت های شبکه اجتماعی و ویژگی های شبکه های اجتماعی تولید حجم زیادی از داده ها می کند به طوری که می توان از این داده ها برای نتیجه گیری در مورد رفتار اجتماعی مورد استفاده قرار داد که با استفاده از اندازه نمونه ساده مورد مطالعه قرار می گیرد. به این ترتیب امکان اعتبار سنجی و ارزیابی تئوری های اجتماعی را داده و تولید مدل های جدید برای شیوه تعامل افراد و گروه ها کرده و اهرمی را برای بهره گیری از قدرت جمعیت در اختیار می گذارد.

۱- مقدمه
 اوایل قرن بیست و یکم، با انفجار فعالیت های شبکه اجتماعی آنلاین با ظهور خدماتی نظیر مای اسپیس، فیسبوک و تویتر همراه بود. محبوبیت زیاد این خدمات منجر به ایجاد سایر سایت های شبکه های اجتماعی و خدماتی شده است که اهرمی برای بهره گیری از قدرت تعامل اجتماعی است. فوراسکوئر و فیسبوک همراه با سایر خدمات، اطلاعات جغرافیایی را به اثرات متقابل رسانه های اجتماعی می افزاید. کاربران فوراسکوئر وارد مکان های مختلف شده، نکاتی را برای سایر کاربران ارایه می کنند و قادرند تا امضاء ها و علایمی را نیز بدست اورندف. فور اسکوئر هم چنین به کاربران امکان می دهد تا ب کنترل مداوم نقاط به ” شهر داران” آن منطقه تبدیل شوند و لذا یک عنصر رقابتی ایجاد می کند که این عنصر بر هر دو دوستان و غیر دوستان کاربران اثر می گذارد.
حتی سایت هایی که موسوم به سایت های شبکه های اجتماعی نیستند، قابلیت تعامل کاربر را برای ذی نفع شدن از محبوبیت شبکه های اجتماعی افزوده کرده است. برای مثال، آمازون به کاربران نه تنها امکان پست نظرات را به کاربران می دهد بلکه آن ها می توانند نظرات را ارزیابی کنند. این به کاربران امکان تعامل با یک دیگر را داده و و یک روش خودکار را برای عدم استفاده از نظرات نامطلوب فراهم می کند. هم چنین آمازون به کاربران امکان پست خرید ها و  پاک سازی فهرست ها را در فیسبوک و تویتر داده و سطح دیگری از تعامل را می افزاید که پلی بین پلتفرم ها ایجاد می کند.
 همانند سایر سایت ها، سایت های شبکه های اجتماعی نیز مرحله شکوفایی و زوال دارند. به هیچ وجه نمی توان اثبات کرد که مای اسپیس نسبت به فیسبوک و یا سایر شبکه های اجتماعی بهتر است. این مسئله موجب شده است تا مای اسپیس اقدام به طراحی مجدد وب سایت در ژانویه ۲۰۰۰ کند. بدیهی است که تاخر طراحی مجدد به این معنی است که اگر این طراحی مجدد برای جذاب کاربران به سایت کافی باشد، می توان از ان استفاده کرد.
 فعالیت در شبکه های اجتماعی با فعالیت در دنیای واقعی موازی است به این معنی که  یک رفتار انلاین کاربر می تواند شاخص مفیدی از رفتار آن ها در دنیای واقعی باشد اگرچه همه افراد همه فعالیت های انلاین خود را پست نمی کنند. برای افرادی که این کار را انجام می دهند این بدین معنی است که با داده های کافی می توان سوالات بسیاری را پرسیده و نتایج یکسانی را بدست اورد که دانشمندان علوم اجتماعی در مورد آن پرسش و پاسخ می کنند با این حال این پرسش و پاسخ در مقیاس گسترده است. لازم به ذکر است که این کار  ارزش مطالعات دانشمندان علوم اجتماعی را زیر سوال نبرده ، بلکه می توان گفت که مکمل کار های دانشمندان است.
 شبکه های اجتماعی نظیر فیسبوک و توییتر دارای تعداد بسیار زیادی کاربر می باشند. بر طبق گزارش سایت newsroom.fb.com، فیسبوک دارای بیش از یک میلیارد کاربر است که بیش از جمعیت کل قاره اروپا می باشد. بعد از چین وهند، فیسبوک می تواند پر جمعیت ترین کشور دنیا باشد. تعداد کاربران توییتر نیز به همین مقدار است. بر طبق گزارش سمیو کست، این سرویس دارای بیش از ۵۰۰ میلیون کار بر است. در صورتی که توییتر به خودی خود یک کشور تلقی شود، سومین و بزرگ ترین کشور دنیا در نظر خواهد گرفته می شود. در صورتی که تعداد کاربران چند صد میلیون باشد، بدیهی است که تعداد زیادی از داده ها تولید خواهد شد. توییتر کزارش کرده است که ۱٫۳۸ میلیون پست در طی یک ساعت گذاشته شده است. در روز انتخابات در ۲۰۱۲، کاربران بیش از ۳۱ میلیون توییت در مورد انتخابات را انجام دادند و این مقدار به بیش از ۳۲۷۰۰۰ تویت در دقیقه رسید. مقدار داده ها موجب شده است تا تحلیل کامل آن ها با استفاده از روش های سنتی غیر ممکن باشد.
 برای این که مقدار داده های تولید شده توسط کاربران در این خدمات منطقی باشد، روش های جدید برای کاهش مقدار اطلاعات تولیدی به یک مقدار قابل مدیریت لازم است.  به منظور پیچیده شدن این مسئله، داده های رسانه های اجتماعی دارای نویز می باشند و این موجب می شود تا کشف سیگنال هی معنی دار در داده ها سخت تر شود. روش مورد استفاده برای یافتن اطلاعات طبیعتا بر اساس هدف تحلیل متغیر خواهد بود. ما از مثال هایی برای حل مسائل مربوطه توسط  ازمایشگاه یادگیری ماشینی و داده کاوی استفاده می کنیم. از پروژه های فعلی برای اثبات روش ها،چالش ها و تهدید ها استفاده می کند.
 در این مطالعه ما بر مسائل تحقیقاتی زیر تاکید داریم:
۱- انتشار اطلاعات: درک الگو های مهم رفتاری و سر زندگی دررسانه های اجتماعی
۲- حریم خصوصی و آسیب پذیری: درک این که چگونه انتخاب کاربران منجر به نشت اطلاعات شخصی می شود
۳- پیش بینی اعتماد: مدل سازی شیوه های نوین و در حال تکامل برای توسعه روابط اعتماد آمیز آنلاین
۴- تحلیل احساس : استخراج خودکار محتوی عاطفی گزینه های رسانه های اجتماعی
۵- مهاجرت کاربر: درک زمان و شیوه تغییر سرویس کاربران
۶- شبکه های اجتماعی مبتنی بر مکان: یادگیری در مورد رفتار های دنیای واقعی از طریق شواهد رسانه های اجتماعی
۷- ابزار هایی برای اهرم بندی رسانه های اجتماعی: کمک به سازمان ها در استفاده از داده های رسانه اجتماعی از طریق تجزیه تحلیل

 

 

بخشی از مقاله انگلیسی

Abstract

The opportunities presented by social networking have led to millions of users flocking to sites like Facebook, Twitter, and Foursquare. Even sites like Amazon have added the ability for users to interact with one another, though it seems tangential to the site’s stated purpose. These social networking sites and social networking features generate massive amounts of data that can be used to draw conclusions about social behavior that could previously only be studied using relatively small sample sizes. This unlocks the ability to validate existing social theories, generate new models for how individuals and groups interact, and leverage the power of the crowd, among others.

I. INTRODUCTION

The early 21st century saw an explosion of online social networking activities with the advent of services like MySpace, Facebook, and Twitter. The massive popularity of these services lead to other social networking sites and services that leverage the power of social interaction. Foursquare and Facebook Places, along with some other small services, popularized adding geographic information to social media interactions. Foursquare users check in to locations, post tips for other users, and can earn badges. Foursquare also allows users to become ”Mayors” of locations by checking in to that location frequently, adding a competitive element that affects both a user’s friends and their non-friends. Even sites that are not traditionally social networking sites have added user interaction ability in the desire to take advantage of the popularity of social networking. For example, Amazon not only allows users to post reviews, but to evaluate those reviews for their helpfulness. This allows users to interact with each other, and provides Amazon with an automated method for discouraging fake, unhelpful reviews. Amazon also allows users to post their purchases and wish lists to Facebook and Twitter, adding another level of user interaction that bridges platforms. Just like other sites though, social networking sites also come and go. Nothing demonstrates this better than the migration en masse from MySpace to Facebook as Facebook opened up its availability to more users in the mid-2000s. This move prompted MySpace to launch a re-design of their website in January of this year. Obviously, the recency of the redesign mean that remains to be seen if this re-design is sufficient to attract users back to the site. Activity on social networks parallels activity in the real world, meaning that a user’s behavior online may be a useful indicator of their behavior in the real world, though certainly not every posts all of their activity online. Some users post almost none of their activity online. However, for those that do this means that, with enough data, we can ask many of the same questions and draw many of the same conclusions that social scientists ask and answer, but on a much larger scale. It is important to note that this does not invalidate the work of social scientists, only as a supplement. Social networks like Facebook and Twitter have an enormous number of users. According to newsroom.fb.com, Facebook has over a billion users, more than the population of the entire continent of Europe. If Facebook was its own country, it would be third largest in the world, behind only China and India. Twitter’s user count is similar in magnitude. According to analyst group Semiocast1, the service has over 500 million users. If Twitter was its own country it would also be the third largest. With user numbers in the hundreds of millions, it is inevitable that massive amounts of data will be generated. Twitter reported that 1.38 million posts (called ”Tweets”) occurred during the three hours of the State of the Union address this year2. On Election Day of 2012, users posted more than 31 million tweets about the election alone, reaching a maximum rate of more than 327,000 tweets per minute. The sheer amount of data involved makes thorough analysis of this data impossible using conventional techniques. To make sense of the massive amount of data generated by users on these services, new techniques are necessary to reduce the massive amount of information generated to a more manageable amount. To complicate the issue, much of social media data is noisy, making the discovery of meaningful signals in that data much more difficult. The techniques used to find information will naturally vary based on the objective of the analysis. We will use some illustrative examples to show some of the research issues tackled by the Data Mining and Machine Learning (DMML) Lab. We will use ongoing projects to demonstrate the methods, challenges, and opportunities involved. In this work, we focus on the following research issues: • Information Diffusion: Understanding the patterns that underly memes and virality in social media. • Privacy and Vulnerability: Understanding how user choices lead to leaking personal information. • Trust Prediction: Modeling the emerging and evolving way users develop trust relationships online. • Sentiment Analysis: Automatically extracting the emotional content of social media items. • User Migration: Understanding when and why users move from one service to another • Location-Based Social Networks: Learning about realworld behaviors through social media evidence. • Tools for Leveraging Social Media: Helping organizations make use of social media data through analysis.

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

کاوش در رسانه های اجتماعی: چالش ها و فرصت ها

عنوان انگلیسی مقاله:

Mining Social Media: Challenges and Opportunities

 
 
 
 
 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *