Social networks such as Facebook an

Social networks such as Facebook and Twitter emerged as a platform for connecting people who wanted to stay in touch, be heard, share information and voice opinions. With an increasing number of users, brands and highly visible celebrities joining these services, there came an inevitable explosion in the amount of content readily available to users. Social Network data has dwarfed every other kind of traffic on the web, and truly ushered the age of Big Data.

The statistics on the amount of data generated via social network channels is astonishing. For example, there are 8,500 Facebook likes per second. Twitter users send over 100,000 tweets per minute. YouTube has more than one billion unique users each month and approximately 100 hours of video are uploaded every minute. Almost 2,500 Foursquare check-ins are performed every minute. Every 60 seconds on Facebook: 510 comments are posted, 293,000 statuses are updated, and 136,000 photos are uploaded. This hyperactivity is indicative that users and content creators have unrivalled freedom to publish as much as they want online [34].

As the threshold to publishing nears zero, getting users to be attentive turns into a limiting factor in our networked information ecosystem [1]. One cannot demand attention, or even expect it at a given point in time. It is a scarce com-modity that must be earned [2]. Studying what users pay attention to is critical to many web applications, includingproduct marketing, targeted advertising, social and political campaigns etc. Moreover, in a world where our attention is dissected in various ways every single day, it is fascinating to explore what can sustain user interest. Knowledge of where attention is given helps web intelligence algorithms to personalize user experience

We can quantify user attention within social networks by looking at the level of interest that a node (user) dedicates in managing its interaction with another node or group of nodes within the observed social network [3]. The interaction can be captured in different activities, such as ‘liking’ a Facebook status update, ‘re-tweeting/RT’ a tweet or posting in relation to some trending topic on Twitter [18]. For example, we can consider that when node X on Twitter retweets (RTs) a message M of another node Y, then X was attentive to Y or to the content of M. Similarly, if node X tweets about a topic that is trending, then we can claim that X was attentive towards that trend. By extension, when a group of users RT a certain tweet, they display collective attention [4]. This group of users could be geographically co-located, or followers of the same user or part of a networked community. Using these signals could be useful in analyzing information diffusion, attention drifts and network interdependency in between different subsections/communities of the network

ผลลัพธ์ (ไทย) 1:

เกิดเครือข่ายสังคมเช่น Facebook และ Twitter เป็นแพลตฟอร์มสำหรับคนที่อยากอยู่ในสัมผัส ได้ยิน แบ่งปันข้อมูลและความคิดเห็นเสียง การเชื่อมต่อ ด้วยการเพิ่มจำนวนผู้ใช้ ยี่ห้อ และความเห็นดาราที่เข้าร่วมบริการ มีมาระเบิดสิ่งที่หลีกเลี่ยงจำนวนเนื้อหาพร้อมกับผู้ใช้ ข้อมูลเครือข่ายสังคมมี dwarfed ทุกชนิดอื่น ๆ ของการจราจรบนเว็บ และ ushered อายุของข้อมูลขนาดใหญ่อย่างแท้จริง สถิติเกี่ยวกับจำนวนของข้อมูลที่สร้างขึ้นผ่านช่องทางเครือข่ายสังคมเป็นอันตระการตา ตัวอย่าง มีชอบ Facebook 8,500 ต่อวินาที ผู้ใช้ twitter ส่ง tweets กว่า 100000 ต่อนาที YouTube มีมากกว่าพันเฉพาะผู้ใช้แต่ละเดือน และประมาณ 100 ชั่วโมงของวิดีโออัปโหลดทุกนาที เกือบ 2500 โฟร์สแควร์เช็คอินจะดำเนินการทุกนาที ทุก 60 วินาทีบน Facebook: ลงรายการบัญชีข้อคิดเห็นที่ 510 มีการปรับปรุงสถานะ 293,000 และ 136,000 ภาพอัปโหลด เข้าร่องเข้ารอยนี้เป็นตัวชี้ให้เห็นว่า ผู้ใช้และผู้สร้างเนื้อหามีเสรีภาพไม่เผยแพร่มากเท่าที่พวกเขาต้องออนไลน์ [34]เป็นขีดจำกัดที่จะเผยแพร่ใกล้ศูนย์ ผู้ใช้จะได้รับมาจะเป็นปัจจัยจำกัดในระบบนิเวศของเราข้อมูลเครือข่าย [1] หนึ่งไม่สามารถเรียกร้องความสนใจ หรือแม้แต่คาดหวังว่าจะเป็นจุดกำหนดในเวลา การขาดแคลน com-modity ที่ต้องได้รับ [2] ได้ เรียนสนใจจ้างผู้ใดมีความสำคัญในโปรแกรมประยุกต์เว็บ การตลาด includingproduct เป้าหมายโฆษณา สังคม และการเมืองส่งเสริมการขายฯลฯ นอกจากนี้ ในโลกที่ความสนใจของเราเป็น dissected วิธีต่าง ๆ ทุก ๆ วัน ได้นับได้ว่าสามารถรักษาผู้สนใจ ความรู้ที่ได้รับความสนใจช่วยให้เว็บอัลกอริทึมข่าวกรองการปรับประสบการณ์ใช้งานเราสามารถกำหนดปริมาณความสนใจผู้ใช้ภายในเครือข่ายทางสังคม โดยดูที่ระดับน่าสนใจที่ dedicates โหนด (ผู้ใช้) ในการจัดการการโต้ตอบกับโหนอื่นหรือกลุ่มของโหนดต่าง ๆ ในเครือข่ายสังคมพบ [3] สามารถบันทึกการโต้ตอบในกิจกรรมที่แตกต่างกัน เช่น 'โดนใจ' การ Facebook ปรับปรุงสถานะ กำลังรับการ tweeting/RT ' tweet หรือลงรายการบัญชีเกี่ยวกับบางหัวข้อ trending ในทวิตเตอร์ [18] ตัวอย่าง เราสามารถพิจารณาว่า เมื่อโหน X บนทวิตเตอร์ retweets (อาร์ทีเอส) ข้อความ M ของโหนดอื่น Y แล้ว X เป็น Y หรือเนื้อหาของเอ็มมา ในทำนองเดียวกัน ถ้าโหนด X เข้ามาเกี่ยวกับหัวข้อที่เป็น trending แล้วเราสามารถเรียกร้องว่า X มาต่อว่าแนวโน้ม โดยนามสกุล เมื่อกลุ่มผู้ใช้ RT tweet แน่นอน พวกเขาแสดงความสนใจรวม [4] ผู้ใช้กลุ่มนี้อาจจะกันทางภูมิศาสตร์ร่วม หรือลูกศิษย์ของผู้ใช้หรือส่วนหนึ่งของชุมชนเป็นเครือข่ายเดียวกันได้ ใช้สัญญาณเหล่านี้อาจมีประโยชน์ในการวิเคราะห์ข้อมูลแพร่ drifts สนใจ และเครือข่ายความเชื่อมโยงกันระหว่างส่วนย่อยต่าง ๆ ชุมชนของเครือข่าย

ผลลัพธ์ (ไทย) 2:

เครือข่ายทางสังคมเช่น Facebook และ Twitter กลายเป็นแพลตฟอร์มสำหรับการเชื่อมต่อผู้คนที่ต้องการที่จะอยู่ในการติดต่อจะได้ยินข้อมูลส่วนแบ่งการเสียงและความคิดเห็น และด้วยจำนวนที่เพิ่มขึ้นของผู้ใช้แบรนด์และดาราที่มองเห็นได้อย่างเข้าร่วมบริการเหล่านี้มีมาระเบิดหลีกเลี่ยงไม่ได้ในปริมาณของเนื้อหาพร้อมที่จะให้ผู้ใช้งาน ข้อมูลเครือข่ายทางสังคมได้แคระทุกชนิดอื่น ๆ ของการจราจรบนเว็บและนำอย่างแท้จริงอายุของข้อมูลขนาดใหญ่. สถิติกับปริมาณของข้อมูลที่สร้างขึ้นผ่านช่องทางเครือข่ายสังคมเป็นที่น่าอัศจรรย์ ตัวอย่างเช่นมี 8,500 Facebook ชอบต่อวินาที ผู้ใช้ Twitter ส่งมากกว่า 100,000 ทวีตต่อนาที YouTube มีมากกว่าหนึ่งพันล้านผู้ใช้ที่ไม่ซ้ำกันในแต่ละเดือนและประมาณ 100 ชั่วโมงของวิดีโอจะถูกอัปโหลดทุกนาที เกือบ 2,500 Foursquare เช็คอินจะดำเนินการทุกนาที ทุก 60 วินาทีได้ที่ Facebook: 510 ความคิดเห็นที่โพสต์, 293000 สถานะที่มีการปรับปรุงและ 136,000 ภาพจะถูกอัปโหลด สมาธิสั้นนี้จะแสดงให้เห็นว่าผู้ใช้และผู้สร้างเนื้อหามีอิสระที่ยอดเยี่ยมในการเผยแพร่มากที่สุดเท่าที่พวกเขาต้องการออนไลน์ [34]. ในฐานะที่เป็นเกณฑ์ในการเผยแพร่เกือบเป็นศูนย์รับผู้ใช้หันมาใส่ใจเป็นปัจจัย จำกัด ในระบบนิเวศข้อมูลในเครือข่ายของเรา [1] . หนึ่งไม่สามารถเรียกร้องความสนใจหรือแม้กระทั่งการคาดหวังที่จุดที่กำหนดในเวลา มันเป็นสิ่งที่หายากคอม modity ที่จะต้องได้รับ [2] การศึกษาสิ่งที่ผู้ใช้ให้ความสนใจกับมีความสำคัญต่อการใช้งานเว็บหลาย includingproduct ตลาด, การโฆษณาที่กำหนดเป้าหมายแคมเปญทางสังคมและการเมือง ฯลฯ นอกจากนี้ในโลกที่ความสนใจของเราจะถูกชำแหละในรูปแบบต่างๆทุกวันเดียวก็เป็นที่น่าสนใจในการสำรวจสิ่งที่สามารถรักษา สนใจของผู้ใช้ ความรู้เกี่ยวกับสถานที่ที่ให้ความสนใจที่จะได้รับจะช่วยให้ขั้นตอนวิธีการหน่วยสืบราชการลับเว็บในการปรับแต่งประสบการณ์การใช้งานเราสามารถวัดปริมาณความสนใจของผู้ที่อยู่ในเครือข่ายทางสังคมโดยการมองในระดับที่น่าสนใจว่าโหนด (ผู้ใช้) อุทิศในการจัดการปฏิสัมพันธ์กับโหนดอื่นหรือกลุ่มของโหนดภายในที่สังเกต เครือข่ายทางสังคม [3] การทำงานร่วมกันที่สามารถบันทึกในกิจกรรมที่แตกต่างกันเช่น 'ชื่นชอบ' การปรับปรุงสถานะ Facebook 're-tweeting / RT' ทวีตหรือโพสต์ในความสัมพันธ์กับหัวข้อแนวโน้มบางอย่างบนทวิตเตอร์ [18] ตัวอย่างเช่นเราสามารถพิจารณาว่าเมื่อโหนด X บนทวิตเตอร์ต (RTS) ข้อความ M ของโหนดอื่น Y แล้ว X ก็ให้ความใส่ใจกับ Y หรือเนื้อหาของเอ็มในทำนองเดียวกันถ้าทวีตโหนด X เกี่ยวกับหัวข้อที่มีแนวโน้มที่ แล้วเราสามารถอ้างว่าเป็น X ใส่ใจที่มีต่อแนวโน้มว่า โดยการขยายเมื่อกลุ่มของผู้ใช้ทวีต RT บางอย่างที่พวกเขาแสดงความสนใจร่วมกัน [4] กลุ่มของผู้ใช้ซึ่งอาจเป็นทางภูมิศาสตร์ร่วมอยู่หรือสาวกของผู้ใช้เดียวกันหรือส่วนหนึ่งของชุมชนเครือข่าย การใช้สัญญาณเหล่านี้อาจจะมีประโยชน์ในการวิเคราะห์การแพร่กระจายข้อมูลลอยความสนใจและ interdependency เครือข่ายในระหว่างส่วนย่อยที่แตกต่างกัน / ชุมชนของเครือข่าย

ผลลัพธ์ (ไทย) 3:

เครือข่ายทางสังคมเช่น Facebook และ Twitter ได้กลายเป็นแพลตฟอร์มสำหรับการเชื่อมต่อผู้คนที่ต้องการที่จะอยู่ในสัมผัส ได้ยิน เสียง แบ่งปันข้อมูลและความคิดเห็น ด้วยการเพิ่มจำนวนของผู้ใช้ , แบรนด์และคนดังสูงมองเห็นได้เข้าร่วมบริการเหล่านี้ มีการระเบิดที่หลีกเลี่ยงไม่ได้ ในจํานวนเนื้อหาพร้อมใช้งานผู้ใช้ข้อมูลเครือข่ายทางสังคมได้ต่าง ๆชนิดของการจราจรบนเว็บอย่างแท้จริงและทำให้อายุของข้อมูลใหญ่
สถิติเกี่ยวกับปริมาณของข้อมูลที่สร้างขึ้นผ่านช่องทางเครือข่ายทางสังคม น่าทึ่งจริงๆ ตัวอย่างเช่นมี 8500 Facebook ชอบ ต่อ วินาที ผู้ใช้ Twitter ส่ง 100000 ทวีตต่อนาทีYouTube ได้เฉพาะผู้ใช้มากกว่าหนึ่งพันล้านในแต่ละเดือนประมาณ 100 ชั่วโมงของวิดีโอและอัปโหลดทุกนาที เกือบ 2500 Foursquare จะดำเนินการตรวจสอบ ins ทุกนาที ทุก 60 วินาทีบน Facebook : 510 ความคิดเห็นโพสต์ 293000 สถานะที่มีการปรับปรุง และ 136000 ภาพถ่ายที่อัพโหลดสมาธิสั้นนี้แสดงว่า ผู้ใช้สร้างเนื้อหาและได้มอบเสรีภาพที่จะเผยแพร่ให้มากที่สุดเท่าที่พวกเขาต้องการออนไลน์ [ 34 ] .

เป็นเกณฑ์ประกาศใกล้ศูนย์ ผู้ใช้จะหันใส่ใจเป็นปัจจัยจำกัดในเครือข่ายข้อมูลระบบนิเวศ [ 1 ] ไม่ได้เรียกร้องความสนใจ หรือแม้แต่คาดหวังที่จุดที่กำหนดในเวลามันเป็นสภาพที่ต้องได้รับจึง modity [ 2 ] เรียนสิ่งที่ผู้ใช้สนใจ มีหลายโปรแกรมเว็บ , การตลาด , includingproduct เป้าหมายการโฆษณาและแคมเปญทางการเมือง สังคม ฯลฯ นอกจากนี้ ในโลกที่เราสนใจคือ รายงานในรูปแบบต่างๆ ทุกๆ วัน มันเป็นที่น่าสนใจเพื่อดูว่าสามารถรักษาความสนใจของผู้ใช้ความรู้ที่เอาใจใส่ให้เว็บข่าวกรองอัลกอริทึมเพื่อปรับแต่งประสบการณ์ผู้ใช้

เราจะวัดความสนใจของผู้ใช้ภายในเครือข่ายทางสังคมโดยดูที่ระดับของความสนใจที่ผู้ใช้ ( User ) ได้อุทิศในการจัดการปฏิสัมพันธ์กับโหนดอื่นหรือกลุ่มของโหนดภายในเครือข่ายทางสังคม ) [ 3 ] ปฏิสัมพันธ์สามารถจับภาพในกิจกรรมต่าง ๆเช่นการปรับปรุงสถานะ Facebook ' ชื่นชอบ ' ' RE tweeting / RT ' ทวีต หรือโพสต์ในความสัมพันธ์กับบางหัวข้อแนวโน้ม Twitter [ 18 ] ตัวอย่างเช่นเราสามารถพิจารณาว่าเมื่อโหนด x ใน retweets Twitter ( RTS ) ข้อความของโหนดอื่น Y แล้ว X Y หรือใส่ใจกับเนื้อหาของ ในทำนองเดียวกัน ถ้าโหนด x ทวิตเรื่องหัวข้อที่แนวโน้มแล้วเราสามารถเรียกร้องว่า x คือใส่ใจกับแนวโน้มที่ ด้วยส่วนขยาย เมื่อกลุ่มของผู้ใช้ RT ทวีตแน่นอน พวกเขาแสดงความสนใจร่วมกัน [ 4 ] กลุ่มของผู้ใช้สามารถทางภูมิศาสตร์ Co ตั้งอยู่ หรือผู้ติดตามของผู้ใช้เดียวหรือส่วนหนึ่งของเครือข่ายในชุมชน การใช้สัญญาณเหล่านี้อาจเป็นประโยชน์ในการวิเคราะห์ข้อมูลการกระจายความสนใจและเครือข่ายกองการพึ่งพาอาศัยกันระหว่างส่วนย่อยต่าง ๆ / ชุมชนเครือข่าย