rangiranje prijatelja u društvenoj mreži facebook zasnovano na korisničkim profilima

35 Pages·2012·1.5 MB·Croatian

SVEUČILIŠTE U ZAGREBU
FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA

ZAVRŠNI RAD br. 2404
RANGIRANJE PRIJATELJA U
DRUŠTVENOJ MREŽI FACEBOOK
ZASNOVANO NA KORISNIČKIM
PROFILIMA
Vanda Viljanac

Zagreb, lipanj 2012.

Sadržaj
Uvod ...................................................................................................................................... 1
1. Sustavi za preporučivanje .............................................................................................. 2
1.1. Preporučivanje zasnovano na suradnji .................................................................. 3
1.2. Preporučivanje zasnovano na sličnosti .................................................................. 4
1.3. Hibridno preporučivanje ........................................................................................ 5
1.4. Primjeri preporučiteljskih sustava ......................................................................... 6
1.4.1. Amazon .......................................................................................................... 6
1.4.2. Google ........................................................................................................... 7
2. Preporučivanje u društvenim mrežama ......................................................................... 9
2.1. Preporučivanje u društvenoj mreži Facebook ..................................................... 10
2.2. Rangiranje u društvenoj mreži Facebook kao oblik preporučivanja ................... 11
3. Model sustava Rangiranje prijatelja i algoritam za izračun ....................................... 13
3.1. Model sustava Rangiranje prijatelja ................................................................... 13
3.2. Algoritam pridjeljivanja težina ............................................................................ 14
3.3. Baza podataka korisnikovih prijatelja ................................................................. 16
3.4. Arhitektura aplikacije za statičko rangiranje prijatelja ........................................ 18
4. Programska izvedba aplikacije za statičko rangiranje prijatelja .................................. 19
4.1. Programski jezik PHP .......................................................................................... 22
4.2. Baza podataka MySQL ........................................................................................ 23
5. Scenarij korištenja aplikacije za statičko rangiranje prijatelja .................................... 24
Zaključak ............................................................................................................................. 27
Literatura ............................................................................................................................. 28
Sažetak ................................................................................................................................. 29
Summary .............................................................................................................................. 30
Skraćenice ............................................................................................................................ 31
Uvod
Razvojem Interneta i popularizacijom društvenih mreža virtualna prijateljstva dobivaju na
važnosti. Danas, samo jednim klikom miša stvaramo novo poznanstvo pa prolaskom
vremena postajemo povezani s preko nekoliko stotina ljudi. U ovom moru internetskih
prijateljstava teško je pratiti tko nam je sličan, s kim bismo se mogli slagati, te s kim
dijelimo zajedničke interese. Jedno od mogućih rješenja ovog problema predstavljeno je u
ovom završnom radu razvojem programske potpore koja preporučuje prijatelje.

Preporučiteljski sustavi već su uobičajena pojava na internetskim stranicama te obuhvaćaju
mnogo područja i načina preporučivanja. Njihova zadaća jest pronalaženje odgovarajućih
podataka u mreži na temelju korisnikovih preferencija. Grana preporučivanja koja je u
području interesa ovog rada jest rangiranje. Po prvi puta susrećemo se sa sustavom koji
preporučuje osobe umjesto predmeta, glazbe ili filmova. Ovakav sustav radi na principu
društvenog grafa čiji je korijen korisnik, a grane predstavljaju prijateljstvo i posjeduju
određene težine. Rangiranje prijatelja i dodjeljivanje težinskih karakteristika obavlja se na
temelju statičkih podataka na njihovim profilima. Pod pojmom statički podatci
podrazumijevamo informacije na korisničkom profilu koje se ne mijenjaju, ili se vrlo
rijetko mijenjaju kao što su primjerice najdraže knjige, filmovi, mjesto stanovanja ili
brandovi.

U prvom poglavlju objašnjen je pojam preporučiteljskog sustava i način na koji
funkcionira, te su predstavljeni najpoznatiji primjeri. U drugom poglavlju opisano je
rangiranje kao podvrsta preporučivanja te je napravljen osvrt na rangiranje u Facebook
mreži. U trećem poglavlju razrađen je algoritam za pridjeljivanje težina kao i izgled
društvenog grafa. Pridodani su nacrti i opisana je baza podataka. U četvrtom poglavlju
objašnjena je programska izvedba u jeziku PHP (Hypertext Preprocesor), dani su ključni
dijelovi koda kako bi se pojasnila osnovna struktura programa. U petom poglavlju dan je
primjer mogućeg scenarija upotrebe te su priložene slike s ekrana dok je aplikacija u
izvedbi.
1
1. Sustavi za preporučivanje
Najvažnija zadaća preporučitelja je pomoć korisniku pri odabiru. Korisnici su često
suočeni s nepregledno velikom ponudom koja ih zastrašuje, zbunjuje i čini nepovjerljivima
dok su prodavači suočeni s problemom marketinga i prezentacije velikog broja proizvoda.
Pošto je u ljudskom procesu donošenja odluka kritična komponenta upravo primanje
savjeta od pouzdanog izvora osmišljeni su sustavi za preporučivanje koji olakšavaju posao
kupcima i prodavačima.

Kada se opisana situacija primjeni na Internet možemo reći da je osnovna zadaća sustava
za preporučivanje specifična tehnika filtriranja informacija sa svrhom pronalaska i
prezentacije informacijskog predmeta (knjige, glazba, filmovi, slike, itd.) koji bi mogao
zanimati korisnika. Dakle, preporučiteljski sustav sugerira korisniku koje stavke još nije
koristio, a mogle bi biti od njegova interesa i trebao bi ih pregledati. Ukoliko preporučitelj
uistinu pruži korisne informacije kupac stvara povjerenje prema sustavu i ostaje njegov
vjeran korisnik.

Preporučiteljski sustavi razlikuju se u načinu na koji analiziraju informacije, a poznajemo
tri osnovna načina [1] :
 Preporučivanje zasnovano na suradnji (engl. collaborative recommendation) –
preporučuje predmete na temelju korisnikovog prošlog ponašanja ;
 Preporučivanje zasnovano na sadržaju (engl. content-based recommendation) –
preporučuje na temelju sličnih predmeta;
 Hibridno preporučivanje (engl. hybrid recommendation) – kombinacija prethodno
navedenih stilova.

2
1.1. Preporučivanje zasnovano na suradnji
Sustav za preporučivanje zasnovan na suradnji sakuplja povratne informacije korisnika
koji ocjenjuje objekte, povezuje korisnike kojima se manifestiraju sličnosti u ocjenjivanju
te iskorištava te informacije pri preporučivanju predmeta [2]. Ovakvo preporučivanje
naziva se još i personalizirano preporučivanje. Ukratko, korisnicima se preporučuju
predmeti koji su odgovarali korisnicima koji su im bili slični. Ako je na primjer osoba A
imala isto mišljenje kao osoba B o nekom predmetu, onda je veća vjerojatnost da će osoba
A imati isto mišljenje kao i osoba B o nekom drugom predmetu [3]. Personalizirano
preporučivanje koristi algoritam koji računa sličnost između dva korisnika, i stvara
predviđanje uzimajući prosjek svih ocjena. Taj algoritam je definiran izrazom (1) :
 (r r )(r r )
sim(x,y)  ieI x,i x y,i y ,
(1)
 (r r )2(r r )2
ieI x,i x y,i y
ieI
gdje je I set predmeta koji su ocijenili korisnik X i Y.
xy

Kada su se prethodno navedena predviđanja primijenila na milijune ljudi rezultati nisu bili
dobri zbog složenosti algoritma za potragu sličnih korisnika i preduguog vremena izvedbe.
Kao alternativa smišljena je metoda podatkovnog filtriranja podataka (engl. Item based
collaborative filtering) koja umjesto traženja sličnih korisnika traži predmet B koji je
sličan predmetu A, a ocijenili su ga dobrim korisnici koji su ocijenili i predmet A i predmet
B.

Dvije osnovne kategorije sustava za personalizirano preporučivanje su:
 Sustavi zasnovani na memoriji – ovakav mehanizam koristio se u početcima
preporučiteljskih sustava, jednostavan je za implementaciju i vrlo efektivan. Koristi
memoriju tj. bazu podataka iz koje statičkim funkcijama izračunava k najsličnijih
korisnika iz čijih se zapisa aktivnom korisniku preporučuju predmeti;
 Sustavi zasnovani na modelu – ovakav mehanizam izgrađuje model na temelju
korisnikovih prethodnih radnji koji analizira predmete te predviđa mogućnost
sviđanja tog predmeta korisniku.
3
1.2. Preporučivanje zasnovano na sličnosti
Metode ovakvog preporučivanja zasnovane su na opisu i karakteristikama predmeta te na
profilu korisnikovih interesa pa ih ne zanimaju druge specifikacije o korisniku [2]. Drugim
riječima, algoritmi preporučivanja zasnovanog na sličnosti preporučuju predmete koji su
slični onima koji su se sviđali korisniku u prošlosti. Sustav kreira profil korisnika
(engl. content-based profile) koji se sastoji od modela korisnikovih preferencija i od
korisnikovih prošlih radnji. Model korisnikovih preferencija predstavlja korisnikove
interese i izračunava se iz njegovih prošlih radnji pod koje spadaju ocjenjivanje predmeta
ili pregledavanje predmeta. Reprezentacija predmeta jest uglavnom tekstualni opis
predmeta koji nazivamo njegovim meta podatkom i može se prikazati vektorom (2) :

 
v  w , w ,  , w, T (2)
d 1,d 2,d N,d

gdje je w težina neke karakteristike t u dokumentu d. Nakon što su definirane dvije
t,d
najvažnije stavke profil predmeta i profil korisnika, metoda kojom se izračunavaju
najsličniji predmeti naziva se metoda najbližeg susjeda. Prilagodljiva je za strukturirane i
za nestrukturirane podatke jer ih sprema u memoriju iz koje kasnije uzima potrebne
informacije. Kada klasificira novi predmet metoda ga usporedi sa svim predmetima iz
memorije koristeći funkciju sličnosti i odredi mu k ''najbližih susjeda''. Numerička
vrijednost novog predmeta izvedena je iz pronađenih najbližih susjeda. Sličnost između
dva predmeta izračunava se kosinusnom kuta između njihovih vektora kako prikazuje izraz
(3) :
v v
cos 1 2
(3)
v v
1 2
Usprkos jednostavnosti algoritma njegova se performansa pokazala konkurentnom s
performansama mnogo kompleksnijih algoritama.
4
1.3. Hibridno preporučivanje
Svi prethodno opisani algoritmi djelotvorni su samo u određenim okolnostima i imaju
poteškoće pri prepoznavanju suptilnosti u sadržaju. Iz ovog razloga razvijeni su hibridni
sustavi za preporučivanje koji su kombinacija preporučivanja zasnovanog na sadržaju i
preporučivanja zasnovanog na suradnji te nadomještaju njihove nedostatke [4]. Oni
analiziraju podatke na temelju usporedbe sličnosti predmeta koje je korisnik u prošlosti
pregledavao i ocjenjivao te na temelju akcija sličnih korisnika. Postoje razne kombinacije
hibridnog preporučivanja, a ovdje će biti predstavljene najkorištenije (Tablica 1.1).

Tablica 1.1 Metode hibridnog preporučivanja
Metoda Opis
Ocijene različitih tehnika preporučivanja
Težinska kombiniraju se zajedno kako bi se dobila
jedinstvena preporuka.
Sistem izmjenjuje metode preporučivanja
Izmjenična
ovisno o trenutnoj situaciji
Nekoliko tehnika preporučivanja prisutno je
Miješana
u isto vrijeme.
Obilježja različitih preporučiteljskih sustava
Kombinacija obilježja
spojeni su u isti preporučiteljski algoritam.
Jedan sustav preporučivanja usavršava
Kaskada
drugi.
Model jednog sustava preporučivanja koristi
Meta-razina
se kao ulaz za model drugog sustava.

5
1.4. Primjeri preporučiteljskih sustava
Preporučiteljski sustavi postali su izuzetno korišteni zadnjih godina. Svaka veća
internetska stranica čiji poslužitelj čuva velike količine podataka ima integrirani
preporučiteljski sustav koji korisnicima pomaže pri pregledavanju podataka. U nastavku
opisan je način rada popularnih internetskih stranica koje koriste preporučiteljske sustave.

1.4.1. Amazon
Amazon.com jedna je od najpoznatijih internetskih stranica koja se bavi elektroničkom
trgovinom. Svoje preporučivanje temelji na hibridnom preporučivanju koje se uglavnom
bazira na filtriranju zasnovanom na sadržaju. Amazonov sustav preporučivanja vrlo je
sofisticiran ali je u svojoj srži temeljen na individualnom ponašanju korisnika ili samom
predmetu i ponašanju drugih korisnika. Kada korisnik pregledava internetsku stranicu
kompanije Amazon sustav pamti njegove preglede i na temelju njih preporučuje nove
predmete koje bi korisnik mogao pogledati [5]. Ovakav slučaj prikazan je na slici (Slika
1.1) gdje se na lijevoj strani nalazi popis pregledanih predmeta, dok se na desnoj nalazi
popis predmeta koje su korisniku preporučene. Možemo primjetiti sličnost u naslovima
između pregledanih i preporučenih predmeta. Primjerice pregledani predmet je knjiga
naziva „Preporučiteljski sustavi“ (engl. recommender systems), a preporučeni knjiga
„Algoritmi inteligentne mreže“ (engl. algorithms of the intelligent web).

Slika 1.1 Podatkovno filtriranje
6
Ukoliko korisnik ima vremena i želi personaliziranju preporuku može otvoriti korisnički
račun i ispuniti anketu o svojim interesima. Na ovaj način sustav može mnogo lakše i
točnije preporučiti predmete korisniku jer ima više informacija o njegovim preferencijama.

1.4.2. Google
Jedna od najuspješnijih kompanija današnjice, Google, koristi preporučiteljski sustav kako
bi pospješio svoj jezgreni proizvod – tražilicu.
Google to radi na dva načina:
1. Prilagođava rezultat pretrage na temelju prošlih pretraga i lokacije korisnika
2. Kada je korisnik prijavljen sa svojim korisničkim računom filtriranje se provodi
uzimajući u obzir cjelokupnu web povijest
Google koristi korisnikovu lokaciju i povijest pretraživanja da bi učinio svoje rezultate
pretrage snažnijima. Dok se ovakav pristup pretrazi smatra personaliziranim postoje još
dva tipa preporučivanja u Googleu:
1. Googleov algoritam pretraživanja naziva Rang Stranica (engl. page rank ) koristi
preporučivanje zasnovano na suradnji kada rangira stranice koje je izbacila
tražilica ovisno o tome tko daje poveznicu na određenu stranicu;
2. Google također koristi i preporučivanje zasnovano na sadržaju kod Jeste li mislili
(engl. did you mean) opcije. Ova usluga pokušava ispraviti korisnika ukoliko je
pogriješio kada je upisivao traženi pojam. Način rada možemo vidjeti na slici
(Slika 1.2) gdje je korisnik pogriješio kada je upisao riječi ''google searche ''
umjesto ''google search''.
Osim kod tražilice preporučiteljski sustavi koriste se i u opcijama kao što su Google
novosti (eng. google news) i Google internetskoj kupnji (eng. froggle).

7