Minimizing Social Data Overload through Interest-Based Stream Filtering in a P2P Social Network
Notice bibliographique
Résumé
In Online Social Networks (OSNs) users are overwhelmed with the huge amount of social data, most of which are irrelevant to their interest. Filtering of the social data stream is the way to deal with this problem, and it has already been applied by centralized OSNs, such as Facebook. However, it is much harder to filter the social data stream in decentralized OSNs. Decentralized OSNs, mostly based on P2P architectures, such as Diaspora or Friendica, have been proposed as an alternative to the currently dominant centralized OSNs, where people are forced to share their data with the site, and thus lose their control and rights over it. This paper presents an implementation of an interest based stream filtering mechanism using Mad mica - a decentralized OSN, based on the Friendica P2P protocol. The mechanism uses the interaction between users to construct a model of user interests overlaid on the relationships of users with their friends, which acts as a filter later while propagating social data. So Madmica provides a solution to two problems simultaneously - the problem of user privacy and control over their data (through its decentralized architecture) and the problem of social data overload (through its filtering mechanism). We present the results of a pilot study to evaluate the user experience with Madmica.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,004 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».