社會搜尋計算

此階段將藉由 Facebook API 所收集的資料進行使用者關係與互動關係的計 算，計算完的權重值搭配前面 TF-IDF 的影響結果即為本研究實驗設計中關於社 會搜尋的結果。而由於互動關係是有雙向性的，所以本研究將關係表示式定為 W(A,B)，即表示使用者 A 對 B 的關係權重值，在之後敘述各情況下權重值計算 時皆採用此表示式。下列將以社會關係與互動關係分別詳述。

(一) 社會關係計算計算

社會關係即為兩使用者間的直接關係，通常為雙向性，一方對於另一方有關 係代表雙方都對彼此有關係。在社群網站上最顯著來看的條件即為兩者是不是朋 友，另外如果在工作上或是就讀相同學校也代表他們有一定的關係。所以本研究 在抓取資料時抓取了朋友列表以及使用者的工作名稱與曾就讀學校等等資訊。值 得一提的是，感興趣的事物本研究也列入考慮，當兩個使用者對同樣的事物有高 度興趣，表示他們的想法也更加雷同，所以額外抓取了 Facebook 上使用者在自 己頁面所填寫之感興趣的資料。

權重值方面，由於彼此是不是朋友最為重要，所以如果是朋友關係直接獲得 權重 1。舉例來說，有 A、B、C 三位使用者，AB 為朋友而 A 與 C 不是朋友，

則 一開始 W(A,C)、W(B,C)、W(C,A) W(C,B)的值為 0，而 W(A,B)、W(B,A)設 為 1。而對於其他個人資料，因為感興趣的事物為非必填選項且數量也能有很多，

本研究將其權重設為偏低，如此並不會因只配對到一項就影響社會關係權重，使 用者若彼此符合更多項興趣則分數就越高。工作與學校方面，若有一項配對吻合

則馬上獲得較高權重，不管是在學時期或工作場合建立的關係都是現實中較確定 已有的社會網絡關係。唯一不同的是若配對到第二項吻合之後，例如使用者 A 與使用者 B 是同大學與研究所的情況，本研究認為第二項之後的數據就不再是 那麼決定性的影響因素，所以從第二項條件配對到的計算權重部分會調降許多。

代表所以將權重值定為下列表：

表 3.4 社會關係之權重值

朋友關係 工作地與就讀學校 感興趣之事物

1(固定值) 0.7(第一筆)

0.2(從第二筆之後)

0.4(每筆)

所以若 A 與 B 為朋友，他們是同事而且喜歡聽同一個歌手的歌曲以及籃球 某一球隊，但以前就讀的學校完全不同的話，目前從個人基本資料來計算社會關 係的值 W(A,B)、W(B,A)為(1+0.7+0.4*2)=2.5。

(二) 社會互動關係計算

社會互動關係主要以 Facebook 上發表訊息以及回文、按讚、標記人名等行動來 查看互動關係。舉例來說，若某 A 在塗鴉牆上 PO 了一則訊息，則表示 A 對所 有的朋友權重值增加 0.1，即 W(A,*)=0.1。此時當 A 的所有好友看到此篇訊息而 進行回應的動作，其權重值則表示使用者 A 的好友群對於使用者 A 的權重值皆 一樣增加 0.1。同理，若對朋友按讚或標記人名等動作皆有對應的互動權重值。

表 3.5 文章的發文者與回應者之互動數

發表文章或回文 對文章按讚或別的情緒 用人名標記文章

0.1 0.01 0.1

舉個例子以圖來看，我們將結果分為二部份：一是針對讚的計算，如表 3.6；

二是針對訊息的計算，如表 3.7：

表 3.6 針對讚的計算

表 3.7 針對訊息的計算

透過上述二表的表示法，首先以讚的回應為例，可以看到 Bill 和 Mary 對於 Vender 的回應按了讚，因此在權重表示法是 W(Bill, Vender)、W(Mary, Vender) 皆增加 0.1，其它狀況不增加。接著以訊息的回應為例，其權重值表示法依高低 順序排列為 W(Mary, Vender)、 W(Vender, Bill)、 W(Vender, Mary)、 W(Bill, Mary) 增加 0.2， W(Bill, Vender)增加 0.1，其他皆不增加。

Wr(user A , user B) + Wi(user A , user B)

= Ws(user A , user B) (3.1) 透過以上計算結果後，將關係權重和 TF-IDF 結合後，該數值表示在某篇訊 息或文章某個人所提到的關鍵字與社會關係。

RelA B = Ws * TFIDFj (3.2) 最後依分數高低排序，即為最後的社會搜尋排名。

Social Ranking = RelA B (3.3)