عنوان پایان‌نامه
ابرموتور جستجوگربراساس مدل اجتماعی کاربر و ترکیب اطلاعات
- رشته تحصیلی
- مهندسی فناوری اطلاعات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1931;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 50399;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1931
- تاریخ دفاع
- ۱۳ شهریور ۱۳۹۰
- دانشجو
- محمدعلی قادری
- استاد راهنما
- ناصر یزدانی
- چکیده
- اگرچه پژوهشگران مدت‌هاست که دریافته‌اند فرآیند جستجو یک فرآیند اجتماعی است، اما پژوهش‌های اندکی در زمینه اجتماعی کردن فرآیند جستجو صورت گرفته است. در سال‌های اخیر با به وجود آمدن وب اجتماعی و خدمات گسترده آن مانند شبکه‌های اجتماعی ، نیاز به موتورهای جستجویی که به طور اجتماعی کار کنند بیش از پیش احساس می‌شود. تعامل کاربران با یکدیگر در شبکه‌های اجتماعی می‌تواند باعث ایجاد داده‌هایی شود که احتمالاً می‌تواند برای بهبود جستجوی وب مفید باشند. در این راستا بررسی استفاده از این داده‌ها در روش‌های ارائه شده در زمینه شخصی سازی جستجو می‌تواند جالب توجه باشد. در این پژوهش مفید بودن داده‌های قابل استخراج از شبکه‌های اجتماعی برخط و به ویژه Facebook، برای شخصی سازی نتایج جستجوی بازیابی شده توسط موتورهای جستجو مورد بررسی قرار گرفته است. در این راستا یک ابرموتور جستجوگر برای گرفتن نتایج از موتورهای جستجوی وب و ذخیره آن، طراحی و پیاده سازی شده است که با توجه به معماری چندعامله آن می‌تواند داده‌های موجود در شبکه اجتماعی Facebook را گرفته و ذخیره کند. سپس دو نمونه پروفایل کاربری معرفی و مورد بررسی قرار گرفته‌اند که یکی بر اساس بردارهای مدل فضای برداری از داده‌های اخبار کاربران در Facebook تشکیل شده و دیگری بر اساس آدرس‌های اینترنتی به اشتراک گذاشته شده و یا بازدید شده توسط کاربران ایجاد شده است. از این پروفایل‌ها برای شخصی سازی نتایج بدست آمده توسط روش باز رتبه بندی استفاده شده است.
- Abstract
- Information retrieval has been recognized as a social process since many years ago, but a few projects have considered social aspects of retrieval. Since the advent of the social web, Web 2.0, and services like social networks, the necessity of socialized search engines is more tangible. Interactions of the users in the social networks generate lots of data that probably can be exploited for improving web search experiences of the users. Considering widespread studies in the area of search personalization, it might be a good idea to investigate the combination of these methods with exploiting social networks data. In this research, extraction of online social networks data, particularly Facebook, and its usefulness for personalizing obtained search engines results are investigated. In this regard, a Meta-search engine is designed and developed to gather and store search results; multi-agent architecture of this engine can fetch Facebook data of its users and save it in a database; then, it uses this data to re-rank search results. To examine the system functionalities, two kinds of user profiles adapted from previous studies are introduced and assessed. The first one is based on Vector Space Model (VSM) of extracted Facebook news data of the users, and the second one is based on URLs of pages and websites which users marked them as Liked, or shared them with their friends. To improve VSM profiles, and due to importance of text classification in Meta-search engines, a data fusion model called “Feature Decision Fusion” model is applied for classifying text documents and examined on Reuters-21578 dataset. The obtained results showed that the extracted social networks data had the potential of improving web search experiences through personalization of results; furthermore, using social networks structures like friends network was useful for social search; in addition, social behaviors of users such as marking a page as Liked or sharing web pages with friends could be used as a factor for personalizing search results. In summary, online social networks have a great potential of filling gaps between current search space and ideal user requirements space.
