Kuidas töötab “friend recommendation” sotsiaalse võrgustiku lehel?

Täna ma lugesin bussis minu jaoks väga ebatavalist artiklit. Seoses teadusmetodoloogia kursusega otsisin ma ükspäev M.J.Mulleri artikleid, et vaadata, millest ta veel kirjutab ja nüüd jäingi ühte pikemalt sirvima, kus ta on üks autoritest – “Make New Friends, but Keep the Old” – Recommending People on Social Networking Sites (Jilin Chen, Werner Geyer, Casey Dugan, Michael Muller, Ido Guy).

Valik oli seetõttu ebatavaline, kuna kohati oli artikkel üsna tehniline, aga tehnilised kohad lasin enamvähem diagonaalis üle. Lugema jäin seda aga üldse sellepärast, et olen varem Facebookis ja Orkutis samale funktsioonile vaatama jäänud, mis mulle sõpru soovitab, et huvitav, kuidas see töötab…

Artikli kaks uurimisküsimust olid:

1. Kui efektiivsed on erinevad algoritmid sotsiaalse võrgustike lehtedel kasutajate jaoks potensiaalsete sõprade soovitamisel lähtudes võõrad vs tuttavad kasutajad?

2. Kas selline soovituste süsteem tõesti suurendab kasutaja sõpruskonda sotsiaalse võrgustiku lehel ja kuidas see omakorda mõjutab süsteemi üldiselt?

Vastuste leidmiseks töötati välja inimeste sõbraks soovitamise süsteem, mida rakendati ühe asutuse sisesel sotsiaalse võrgustiku lehel. Kasutati nelja algoritmi ja tehti kaks eksperimenti. Üks personaalne vaatlus 500 töötajaga ja kontroll eksperiment, kuhu kaasati 3000 lehe kasutajat.

Asutusesisene sotsiaalne võrgustiku leht Beehive, mida kasutavad IBMi 38 000 kasutajat, on nagu iga teine taoline keskkond (Orkut, Facebook jne). Keskkond võimaldab luua oma isiklik profiili ja sinna ümber oma sõpruskond, jagada fotosid jm sisu sõpradega ning sõprade ja nende sisu kommenteerimist. Mõiste “sõber” on selles keskkonnas sarnane Flickri keskkonna “sõbrale”, kus kasutaja saab ühepoolselt endale kasutaja sõbraks lisada ja teine pool saab sellest vaid teavitava e-kirja. Orkutis aga peab kasutaja heakskiitma “sõbraks saamise” avalduse ja ühepoolselt sõber olla pole võimalik.

Algoritmid

Ma proovin nüüd kirjeldada põhimõtteid, kuidas algoritm töötab, mille alusel selline sõbra soovitamine võiks toimuda:

1. Sisul põhinev algoritm lähtub sellest, et kui Sul ja Mul on sarnane sisu üleslaetud keskkonda nagu fotod, muusika või videod, siis võib olla me oleksime huvitatud tuttavaks saamisest, et koos sarnast sisu jagada.

2. Sisu + social link põhine algoritm lähtub sellest, et kahel kasutajal on küll sarnane sisu keskkonnas, kuid lisaks on juba toimunud ühepoolne suhtlus. Näiteks Mina olen lisanud Tema juba oma sõbraks või kommenteerinud Tema sisu, seejärel saab Tema süsteemi poolt soovituse mind sõbraks lisada.

3. “Sõbra sõber” ehk FOAF on puhtalt sõpradel põhinev algoritm. Kui Mari on mitmete minu sõprade sõber, siis ta äkki tahab olla ka minu sõber.

4. Viimane algoritm SONAR arendati IBMi jaoks, mis põhines organisatsiooni avalikul infol nagu intranet, organisatsiooni hierarhia, avalik andmebaas, patentide andmebaas, sõbrustamine, wiki ja blogi, inimeste sildistamine (tags). Sõbra soovitamine käis põhimõttel, et kui kahel töötajal oli näiteks koos kirjutatud artikkel või üks töötaja oli kommenteerinud teise fotot, siis pakkus süsteem välja soovituse, et võib olla soovid sa olla persooniga X sõber.

Tulemustes leidsid autorid, et algoritmid saab jagada kaheks: FOAF ja SONAR põhinevad sotsiaalsetel suhetel ning kaks esimest, millest rääkisin üleval, põhinevad sarnasel sisul. Mis aga oli veel huvitavam, oli see, et sisul põhinevad algoritmid soovitasid rohkem inimesi, keda kasutaja ei tunne, samas sotsiaalsetel suhetel algoritmid olid tugevamad üles leidma neid kontakte, keda kasutaja on aastaid tagasi tundnud, kuid nad pole võib olla veel veebipõhiselt teineteist leidnud.

FOAF laiendab kasutaja suhtlusingkonda nende kontaktide läbi, kes siiani on olnud nö offline. SONARi eeliseks on see, et ta võtab veel lisaks arvesse inimeste sildistamist, kommenteerimist, organisatsiooni sisest suhtlust. Samas suhetel põhinevad algoritmide soovitused võivad pisut nõrgaks, vähemtähtsaks ja ka pealiskaudseks jääda, kui sisulpõhinevad algoritmid soovitavad sõpru, kellega on sarnased huvid ja vaated ja sündida võivad sügavad suhted, koostööd jne.

Võimalus oleks integreerida kaks algoritmi tüüpi – alguses soovitab keskkond FOAFil põhinedes sõpru ja kui kasutajaid ja sisu on juba rohkem, pakuks soovitusi, mis põhineks sisul.

Kasutajate poolsest tagasisidest nii palju, et 82% IBM töötajatest hindas Sonari (mis põhines suhetel + organisatsiooni infol) sõbra soovitused väga heaks, FOAFil põhinevad soovitused hindas väga heaks 79% kasutajatest,  sisu + link põhineva algoritmi soovitus sobis 53% kasutajatest ja vaid sisul põhinevad soovitused vaid täpselt pooltele. Võõraste soovitamine kasutajale, mis põhineb sisul, osutus märgatavalt ebapopulaarsemaks, häid soovitusi oli vähe. Sellest saab järeldada, et mida rohkem algoritm pakub kasutajale sõbraks inimesi, keda ta juba kusagilt ja mingist ajast tunneb, seda rohkem see meeldis IBMi töötajatele. Võõra sõbraks lisamise kohta toodi argument, et “ma sooviks ennem teada vähemalt inimese mainestki midagi, kui ta endale sõbraks lisan”.


Advertisements

Leave a Reply

Please log in using one of these methods to post your comment:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s