چکیده: مدل‌سازی کاربران ما را برای پیش‌بینی حرکات و رفتارهای بعدی کاربران یاری می‌دهد. از مدل‌سازی‌های انجام شده از یک کاربر می‌توان برای شخصی‌سازی سیستمی که کاربر در حال تعامل با آن است مانند بهبود سیستم‌های پیشنهاد‌دهنده استفاده نمود. یکی از چالش‌های اصلی در مسئله مدل‌سازی کاربران و شخصی‌سازی سیستم‌های پیشنهاد‌دهنده مشکل «شروع سرد» است که در همه مدل‌سازی‌های درون سیستمی وجود دارد. شروع سرد به پدیده‌ای گفته می‌شود که منجر به خلوت بودن داده‌های اولیه از کاربر می‌شود. خلوت بودن داده‌ها منجر به پیش‌بینی‌‌ها، شخصی‌سازی‌ها و پیشنهادهای  نادرست از رفتار کاربر می‌شود. برای رفع این مشکلات می‌توان از اطلاعات عمومی کاربران که در سایر حساب‌های شبکه‌های اجتماعی موجود است، یا به عبارت دیگر مدل‌سازی بین سیستمی، بهره برد. مسئله‌ای که به دنبال حل آن در این پژوهش هستیم به دست آوردن اطلاعات از داده‌های عمومی کاربر، موجود در دو شبکه‌‌ی اجتماعی یوتیوب و توییتر است تا به بهبود شخصی سازی سیستم‌های پیشنهاد‌دهنده منجر بشود. به همین منظور ، 5000 رکورد از شبکه‌ی اجتماعی یوتیوب  از طریق فراخوانی واسط برنامه‌نویسی نرم­افزار، جمع‌آوری شده است. ساختار داده‌ی حاصل، ترمیم و بررسی شد تا داده‌های پرت و خالی حذف گردند. سپس به منظور بررسی ارتباط ویژگی‌های کاربر در دو سیستم، الگوریتم رگرسیون از جهت سرعت اجرا و دقت خروجی تحلیل و بررسی شد. نتایج نشان داد میزان مشترکین یک کانال در یوتیوب ارتباط اندکی با مجموع ویدئوهای بارگزاری شده  همان کانال دارد. اهمیت یکسان تعداد دنبال‌کنندگان یک شخص در توییتر و تعداد مشترکین همان شخص در کانال یوتیوب او به منظور پیش­بینی مجموع بازدیدهای ویدئوهای کانال یوتیوب همان شخص، نشان داده شد. از نتایج این پژوهش می‌توان در بهبود شخصی­سازی سیستم پیشنهاد دهنده در کانال‌های یوتیوب تازه شروع به کار کرده، استفاده کرد. در این موارد می‌توان از ویژگی دنبال‌کنندگان توییتر به جای ویژگی تعداد مشترکین به منظور پیش­بینی  ویژگی مجموع بازدیدهای ویدئوهای کانال یوتیوب استفاده کرد تا مشکل شروع سرد برای آن کانال را کاهش داد.

واژگان کلیدی: سیستم‌های پیشنهاد دهنده، مدل سازی کاربران، شبکه‌های اجتماعی، مدل‌سازی بین سیستمی، شخصی سازی