Looking for Like-Minded Individuals in Social Networks Using Tagging and E Fuzzy Sets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The web is perceived as a new social platform. Very often, the users look at the web as a place where they can find an individual or group of people with the same or similar interests, or even find new friends. Such situation is reflected in one of the aspects of the web 2.0 called tagging. Tagging is a process of labeling (annotating) digital items-resources-by users. The labels-tags-assigned to those resources reflect users' ways of seeing, categorizing, and perceiving particular items. In general, a single user can label a number of items with a number of different tags. The results of this activity-labeled items and used tags-can be perceived as information characterizing the user. This paper describes an approach for constructing a user signature representing her interests and opinions based on used items and tags. The signature is determined as a fuzzy relation built on two fuzzy sets proposed here: a fuzzy set representing resource attractiveness, and a fuzzy set representing tag popularity. Furthermore, users' signatures are used to determine similarity between users, and potentially give users a method to find new web friends with similar interests and opinions. The paper also describes a process of building different signatures representing a group of users. Signatures of users that are members of the group are aggregated using OWA operator and different linguistic quantifiers to describe the group in a number of ways. A real-world case study illustrating the process of finding similar users and/or groups of users is included.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle