Recommender System based on Extracted Data from Different Social Media. A Study of Twitter and LinkedIn
Notice bibliographique
Résumé
The number of social media users and the amount of available digital information on them is growing exponentially. This explosive rise in the accessible data on social media may cause confusion for users and leads to unpleasant experience since the overwhelming number of various choices makes finding the items of interest too difficult. As an effective solution, recommender systems are used to predict user's responses to existing options. Each social media site attempts to develop recommending algorithms as efficiently as possible based on the users' contributions. In addition, many studies have investigated various recommending and predicting approaches for a specific application. However, considering the relationships between different data provided by people on different social media sites and using them to produce new recommender systems were the subject of only a few studies. To fill this gap, the objective of this study is developing recommender systems which are connecting two social media together. We collected data from Twitter and LinkedIn accounts of some computer scientists and developed new recommender systems: a collaborative, a content-based and two hybrids, which relate computer scientists' skills, declared on their LinkedIn profile, to their Twitter's followings. Using this data, we can generate useful recommendations not possible within just one social site. We recommend new Twitter accounts to computer scientists based on their skills and interests; and also predict their skills based on the accounts they are following on Twitter. The precision and usefulness of these recommender and predicator algorithms are investigated using a real dataset of Twitter and LinkedIn profiles; then their performances are compared to each other in terms of accuracy and time consumption.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».