ફેસબુકમાં એક અવલોકન: ઓનલાઇન સોશિયલ નેટવર્ક્સમાં વપરાશકર્તાઓની સમાન સેમ્પલિંગ (Uniform Sampling)
સોશિયલ નેટવર્ક્સમાં વિશાળ પ્રમાણમાં ડેટા હોય છે. તેનો અભ્યાસ કરવા માટે તમારે અવારનવાર આ ડેટાના નાના સેમ્પલ્સની જરૂર પડે છે. મોટાભાગની પદ્ધતિઓ વપરાશકર્તાઓને નિષ્પક્ષ રીતે પસંદ કરવામાં નિષ્ફળ જાય છે. તેઓ લોકપ્રિય વપરાશકર્તાઓને વારંવાર પસંદ કરે છે.
આ પેપર સમાન સેમ્પલિંગ (uniform sampling) માટેની એક પદ્ધતિ રજૂ કરે છે. તે તમને પક્ષપાત વગર સોશિયલ નેટવર્કમાંથી વપરાશકર્તાઓને પસંદ કરવામાં મદદ કરે છે.
સંશોધનના મુખ્ય મુદ્દાઓ:
- પ્રમાણભૂત સેમ્પલિંગ પદ્ધતિઓ હાઈ ડિગ્રી નોડ્સ (high degree nodes) ને પ્રાધાન્ય આપે છે.
- પક્ષપાત નેટવર્ક વર્તણૂક વિશે ખોટા નિષ્કર્ષ તરફ દોરી જાય છે.
- આ નવો અભિગમ સુનિશ્ચિત કરે છે કે દરેક વપરાશકર્તાને પસંદ થવાની સમાન તક મળે.
- તે ફેસબુક જેવા મોટા પાયાના ગ્રાફ્સ પર કામ કરે છે.
વધુ સારા અલ્ગોરિધમ બનાવવા માટે તમારે પક્ષપાત રહિત ડેટાની જરૂર છે. આ પદ્ધતિ નેટવર્ક સાયન્સની એક મુખ્ય સમસ્યાનું નિરાકરણ લાવે છે.
સ્ત્રોત: https://dev.to/paperium/a-walk-in-facebook-uniform-sampling-of-users-in-online-social-networks-463m
વૈકલ્પિક લર્નિંગ કમ્યુનિટી: https://t.me/GyaanSetuAi