یادگیری از شبکه‌های اجتماعی متعدد ۲۰۲۲
Learning from Multiple Social Networks 2022

با گسترش روزافزون شبکه‌های اجتماعی، کاربران بیشتری از جمله افراد و سازمان‌ها، به طور همزمان برای اهداف گوناگون در چندین شبکه‌ اجتماعی فعالیت می‌کنند. در واقع، شبکه‌های اجتماعی متعدد، کاربران را از زوایای مختلف به تصویر می‌کشند و زمینه‌های فعالیت آن‌ها معمولاً سازگار یا مکمل یکدیگر هستند، نه مستقل از هم. از این رو، در مقایسه با استفاده از اطلاعات یک شبکه‌ی اجتماعی واحد، تجمیع مناسب داده‌ها از چندین شبکه‌ی اجتماعی، روش بهتری را برای درک جامع کاربران ارائه می‌دهد. یادگیری از طریق شبکه‌های اجتماعی متعدد، فرصت‌های جدیدی را برای خدمات و برنامه‌های کاربردی نوین، و همچنین بینش‌های جدیدی در مورد رفتارهای آنلاین کاربران فراهم می‌کند، اما در عین حال چالش‌های دشواری را نیز به همراه دارد: (۱) چگونه می‌توان حساب‌های کاربری مختلف در شبکه‌های اجتماعی گوناگون را به کاربران یکسان نسبت داد؟ (۲) چگونه می‌توان داده‌های گمشده‌ی آیتم‌محور و بلوک‌محور را تکمیل کرد؟ (۳) چگونه می‌توان از ارتباط بین منابع مختلف برای تقویت عملکرد یادگیری بهره برد؟ و (۴) چگونه می‌توان به طور مشترک ناهمگونی‌های دوگانه را مدل‌سازی کرد: وظایف متعدد برای یک برنامه‌ی کاربردی معین وجود دارد و هر وظیفه دارای ویژگی‌های متنوعی از منابع مختلف است؟ این پرسش‌ها تا به امروز تا حد زیادی مورد بررسی قرار نگرفته‌اند. ما این فرصت به‌موقع را مغتنم شمردیم و در این کتاب، برخی از جدیدترین نظریه‌ها و کاربردهای عملی نوین در زمینه‌ی تجمیع شبکه‌های اجتماعی متعدد را ارائه می‌دهیم. به طور خاص، ابتدا به معرفی ساخت مجموعه‌داده‌های چندمنبعی می‌پردازیم. سپس، نحوه‌ی تکمیل موثر و کارآمد داده‌های گمشده‌ی آیتم‌محور و بلوک‌محور را که ناشی از غیرفعال بودن کاربران در برخی شبکه‌های اجتماعی است، معرفی می‌کنیم. در ادامه، مدل یادگیری تک‌وظیفه‌ای چندمنبعی پیشنهادی و کاربرد آن در پیش‌بینی تمایل به فعالیت‌های داوطلبانه را به تفصیل شرح می‌دهیم. در مقابل، یک مدل یادگیری چندوظیفه‌ای تک‌منبعی را نیز ارائه می‌دهیم و آن را در استنباط علایق کاربران به کار می‌گیریم. ما به طور یکپارچه این مدل‌ها را با اصطلاح “یادگیری چندوظیفه‌ای چندمنبعی” متحد می‌کنیم و چندین سناریوی کاربردی، مانند پیش‌بینی شغل، را نشان می‌دهیم. در نهایت، کتاب را به پایان می‌رسانیم و مسیرهای تحقیقاتی آینده در یادگیری از شبکه‌های اجتماعی متعدد، از جمله مسائل مربوط به حریم خصوصی و مدل‌سازی مکمل بودن منابع را بررسی می‌کنیم. این پژوهشی مقدماتی در زمینه‌ی یادگیری از شبکه‌های اجتماعی متعدد است و امیدواریم الهام‌بخش پژوهشگران فعال‌تری برای کار در این حوزه‌ی جذاب باشد. اگر ما دورتر را دیده‌ایم، به این دلیل بوده که بر شانه‌های غول‌ها ایستاده‌ایم.

With the proliferation of social network services, more and more social users, such as individuals and organizations, are simultaneously involved in multiple social networks for various purposes. In fact, multiple social networks characterize the same social users from different perspectives, and their contexts are usually consistent or complementary rather than independent. Hence, as compared to using information from a single social network, appropriate aggregation of multiple social networks offers us a better way to comprehensively understand the given social users. Learning across multiple social networks brings opportunities to new services and applications as well as new insights on user online behaviors, yet it raises tough challenges: (1) How can we map different social network accounts to the same social users? (2) How can we complete the item-wise and block-wise missing data? (3) How can we leverage the relatedness among sources to strengthen the learning performance? And (4) How can we jointly model the dual-heterogeneities: multiple tasks exist for the given application and each task has various features from multiple sources? These questions have been largely unexplored to date. We noticed this timely opportunity, and in this book we present some state-of-the-art theories and novel practical applications on aggregation of multiple social networks. In particular, we first introduce multi-source dataset construction. We then introduce how to effectively and efficiently complete the item-wise and block-wise missing data, which are caused by the inactive social users in some social networks. We next detail the proposed multi-source mono-task learning model and its application in volunteerism tendency prediction. As a counterpart, we also present a mono-source multi-task learning model and apply it to user interest inference. We seamlessly unify these models with the so-called multi-source multi-task learning, and demonstrate several application scenarios,such as occupation prediction. Finally, we conclude the book and figure out the future research directions in multiple social network learning, including the privacy issues and source complementarity modeling. This is preliminary research on learning from multiple social networks, and we hope it can inspire more active researchers to work on this exciting area. If we have seen further it is by standing on the shoulders of giants.