การนำทางทางสังคมเป็นรูปแบบหนึ่งของการประมวลผลทางสังคม ซึ่ง Paul Dourishและ Matthew Chalmers ได้นำเสนอ ในปี 1994 โดยพวกเขาได้นิยามไว้ว่า "การเคลื่อนที่จากรายการหนึ่งไปยังอีกรายการหนึ่งได้รับอิทธิพลจากกิจกรรมของผู้อื่นหรือกลุ่มผู้อื่น" ^{[ 1 ]}จากการศึกษาในปี 2002 โดย J. Kuljis และ R. Juric พบว่า "การนำทางทางสังคมใช้ประโยชน์จากความรู้และประสบการณ์ของผู้ใช้ทรัพยากรข้อมูลที่เป็นเพื่อนร่วมกลุ่ม" เพื่อชี้นำผู้ใช้ในพื้นที่ข้อมูลและพบว่าการนำทางและการค้นหาอย่างมีประสิทธิภาพนั้นยากขึ้นเรื่อยๆ เนื่องจากมีข้อมูลดิจิทัลมากมายบนเวิลด์ไวด์เว็บและแหล่งข้อมูลอื่นๆ^{[ 2 ]}การศึกษาเส้นทางการนำทางของผู้อื่นและการทำความเข้าใจพฤติกรรมของพวกเขาสามารถช่วยปรับปรุงกลยุทธ์การค้นหาของตนเองได้ โดยชี้นำให้ตัดสินใจได้อย่างชาญฉลาดมากขึ้นโดยอิงจากการกระทำของผู้อื่น^{[ 3 ]}

ก่อนการพัฒนาของWeb 2.0และSocial Webเครือข่ายเวิลด์ไวด์เว็บเป็นพื้นที่โดดเดี่ยวที่ผู้ใช้ไม่รู้ว่ามีคนอื่นกำลังเรียกดูหรือนำทางอยู่ที่ใด^{[ 4 ]}ขอบเขตของการวิจัยการนำทางทางสังคมเพิ่มมากขึ้น โดยเฉพาะอย่างยิ่งเมื่อการแสดงภาพข้อมูลดีขึ้น การแสดงข้อมูลทางสังคมในพื้นที่เสมือนจริงช่วยให้แบบจำลองพฤติกรรมผู้ใช้ทำให้ระบบดิจิทัลรู้สึกเป็นสังคมมากขึ้นและไม่โดดเดี่ยว^{[ 2 ]}

แนวคิดเรื่องการนำทางทางสังคมได้รับการสนับสนุนจากทฤษฎีหลายทฤษฎีทฤษฎีการค้นหาข้อมูลศึกษาพฤติกรรมของมนุษย์เมื่อพวกเขากำลังค้นหา รวบรวม แบ่งปัน และบริโภคข้อมูล^{[ 5 ]}ทฤษฎีนี้ใช้ทฤษฎีการค้นหาข้อมูลที่เหมาะสมที่สุดกับพฤติกรรมของมนุษย์เมื่อพวกเขานำทางไปยังข้อมูล^{[ 6 ]}และอธิบายว่าผู้คนได้รับประโยชน์จากผู้อื่นอย่างไรโดยอาศัยวัตถุดิจิทัลที่มีประวัติการใช้งานมากมาย ซึ่งอธิบายแนวคิดของสิ่งของหรือเส้นทางที่ใช้แล้ว ตัวอย่างเช่น หนังสือมือสองที่มีบันทึก ไฮไลท์ และขีดเส้นใต้จะแตกต่างจากหนังสือใหม่ วัตถุดิจิทัลที่มีประวัติการใช้งานมากมายช่วยให้ผู้คนค้นหาเป้าหมายได้เร็วขึ้นและมีประสิทธิภาพมากขึ้น^{[ 7 ]}

การค้นหาข้อมูลเป็นทางเลือกแทนการค้นหาอาหารและการเพิ่มประสิทธิภาพอาณานิคมมด [ ^{6 ]}ซึ่งระบุว่านักล่าข้อมูลที่เป็นมนุษย์จะติดตามเส้นทางของผู้อื่นเพื่อไปให้ถึงเป้าหมายอย่างเหมาะสม ข้อมูลที่เหมาะสมที่สุดจะต้องเพิ่มมูลค่าของข้อมูลที่ได้รับต่อหน่วยต้นทุน (เช่น เวลาหรือความพยายาม) ให้สูงสุด^{[ 5 ] ทฤษฎี}นี้สนับสนุนกิจกรรมการทำงานร่วมกัน^{[ 8 ]}และเป็นแนวทางสำหรับนักออกแบบในการสร้างอินเทอร์เฟซที่ดีซึ่งผู้ใช้สามารถได้รับประโยชน์จากการวิจัยของผู้อื่น^{[ 7 ]}

จุดอ่อนของทฤษฎีนี้คือเมื่อผู้คนติดตามข้อมูลผิดพลาด พวกเขาไม่สามารถเปลี่ยนเส้นทางได้เว้นแต่พวกเขาจะเข้าใจ^{[ 7 ]}และการเพิ่มประสิทธิภาพไม่ได้เกิดขึ้นเสมอไปสำหรับพฤติกรรมของมนุษย์^{[ 8 ]}

แบบจำลองแพทช์ข้อมูลศึกษาเวลาที่ใช้ในการนำทางในข้อมูลที่กรองแล้วและข้อมูลที่จัดกลุ่ม และทำงานเพื่อเพิ่มประสิทธิภาพข้อมูลโดยรวมให้เร็วที่สุดเท่าที่จะเป็นไปได้^{[ 5 ] [ 8 ]}แบบจำลองกลิ่นข้อมูลกำหนดคุณค่าของข้อมูลโดยการนำเบาะแสที่มีประโยชน์ที่สุดที่ผู้ใช้รายอื่นใช้มาใช้^{[ 5 ] [ 8 ]}และแบบจำลองอาหารข้อมูล (การเลือกเหยื่อ) อธิบายว่าผู้คนเลือกข้อมูลเป้าหมายอย่างไรโดยอิงจากการเลือกของผู้อื่น ซึ่งนำไปสู่ข้อมูลที่น่าพึงพอใจที่สุด^{[ 5 ] [ 8 ]}

การออกแบบเว็บเพจมีความสำคัญต่อวิธีที่ผู้ใช้โต้ตอบกับอินเทอร์เน็ตในลักษณะทางสังคม มีความสัมพันธ์ระหว่างการเข้าถึงและความนิยม : ^{[ 9 ]}ยิ่งเว็บไซต์มีฟังก์ชันการทำงานมากเท่าไร ก็ยิ่งได้รับปริมาณการเข้าชมมากขึ้นเท่านั้น^{[ 9 ]}บริการเว็บที่มีผู้เข้าชมบ่อยขึ้นย่อมเป็นประสบการณ์ทางสังคมที่มากขึ้นโดยธรรมชาติ มีปัจจัยมากมายที่ส่งผลต่อการเข้าถึง เช่น ตำแหน่งของหน้าเว็บ คุณสมบัติ จำนวนไฮเปอร์ลิงก์และโหมดการเข้าถึง^{[ 10 ] [ 11 ]}เนื่องจากแต่ละคนมีวิธีการท่องเว็บที่แตกต่างกันการนำทางอินเทอร์เน็ตจึงถูกนิยามว่า “การสร้างและการตีความแบบจำลองภายใน (ทางจิต) และกิจกรรมที่เป็นส่วนประกอบ ได้แก่ การเรียกดู การสร้างแบบจำลอง การตีความ และการกำหนดกลยุทธ์การเรียกดู” ^{[ 10 ]}มีทฤษฎีหนึ่งกล่าวว่า หากผู้ใช้ปรับกลยุทธ์การเรียกดูให้สอดคล้องกับความสนใจของตนเอง จะสามารถค้นหาหน้าเว็บที่เกี่ยวข้องกับความสนใจได้ง่ายขึ้น^{[ 10 ]}การนำทางที่ไม่ถูกต้องผ่านไฮเปอร์ลิงก์อาจทำให้เข้าใจผิดและส่งผลให้เข้าถึงเว็บไซต์ที่ไม่ต้องการมากขึ้น^{[ 12 ]}การบุ๊กมาร์กช่วยให้ผู้ใช้สามารถกลับไปยังหน้าเว็บที่เคยเข้าชมมาก่อนได้ เมื่อกลุ่มคนบุ๊กมาร์กหน้าเว็บเดียวกันและเข้าชมบ่อยๆ จะก่อให้เกิดความรู้สึกเป็นชุมชน เมื่อไม่นานมานี้ การอัปเดตแบบเรียลไทม์ของผู้ใช้รายอื่นในปัจจุบันได้เพิ่มมิติใหม่ให้กับแง่มุมทางสังคมของการท่องเว็บ^{[ 12 ]}

การกรองแบบร่วมมือ (Collaborative filtering)เป็นอีกเทคนิคหนึ่งที่แพร่หลายและใช้ในการนำทางทางสังคม โดยแนะนำว่าหากผู้ใช้ได้รับผลการค้นหาตามการเข้าชมจากผู้อื่นที่มีความสนใจทางสังคมคล้ายคลึงกัน จะทำให้ได้รับประสบการณ์ที่คุ้มค่าและมีประสิทธิภาพมากขึ้น^{[ 13 ]}ตัวอย่างเช่นAmazon.comมีฟีเจอร์ "ลูกค้าที่ซื้อสินค้านี้ก็ซื้อสินค้าเหล่านี้ด้วย" (Customers Who Bought This Item Also Buys) ที่แสดงสินค้าอื่นๆ ที่ผู้ซื้อที่คล้ายคลึงกันซื้อ ซึ่งช่วยให้ การ ท่องเว็บราบรื่นขึ้นและเข้าถึงหน้าเว็บที่เกี่ยวข้องได้มากขึ้น^{[ 13 ]}

การนำทางทางสังคมยังสามารถกล่าวถึงได้ในโลกเสมือนจริงประเภทต่างๆ มุนโรได้แบ่งปันแนวคิดดั้งเดิมบางประการเมื่อพิจารณาการนำทางทางสังคม แทนที่จะเป็นการปฏิสัมพันธ์ส่วนบุคคล มันสามารถนำเสนอได้ว่าเป็น "วิธีการเคลื่อนที่ผ่านพื้นที่ข้อมูลและใช้ประโยชน์จากกิจกรรมและการวางแนวของผู้อื่นในพื้นที่นั้นเพื่อเป็นวิธีการจัดการกิจกรรมเชิงพื้นที่ของตนเอง" มุนโรชี้ให้เห็นว่าการนำทางเชิงพื้นที่ซึ่งส่วนใหญ่ขึ้นอยู่กับโครงสร้างเอง เช่น ภูมิทัศน์หรือแผนที่ สามารถเปรียบเทียบกับการนำทางทางสังคมได้ ผู้ใช้สามารถโต้ตอบได้ไม่เพียงแต่กับข้อมูลและวัตถุในพื้นที่เฉพาะเท่านั้น แต่ยังรวมถึงบุคคลอื่นและการโต้ตอบของพวกเขาด้วย^{[ 14 ]}

ขณะที่ผู้ใช้ท่องไปในชุมชนออนไลน์ พวกเขาจะทิ้งร่องรอยกิจกรรมต่างๆ ไว้ ทั้งโดยตั้งใจและไม่ตั้งใจ ร่องรอยโดยตั้งใจ ได้แก่ การโพสต์ การตอบกลับโพสต์ของผู้ใช้รายอื่น จำนวนเพื่อน การอัปโหลดสื่อ และกิจกรรมอื่นๆ ที่ผู้ใช้ตั้งใจแบ่งปันข้อมูล ร่องรอยโดยไม่ตั้งใจ ได้แก่ประวัติการเข้าชมเว็บไซต์เวลาที่ใช้ในแต่ละหน้าอัตราการออกจากเว็บไซต์และกิจกรรมอื่นๆ ที่เว็บเซิร์ฟเวอร์บันทึกการกระทำของผู้ใช้ลงในบันทึกเซิร์ฟเวอร์โดย อัตโนมัติ

Björneborn จำแนกผู้ใช้ชุมชนออนไลน์เป็น “ผู้ทิ้งร่องรอย” (เช่น ผู้ใช้ที่ทิ้งรายการที่สามารถดำเนินการได้) และ “ผู้ค้นหาร่องรอย” (เช่น ผู้ใช้ที่ติดตามร่องรอยที่ผู้ทิ้งร่องรอยทิ้งไว้) กิจกรรมการมีส่วนร่วมเหล่านี้สามารถชี้นำ พฤติกรรม การค้นหาข้อมูล ของผู้ใช้รายอื่น และมีอิทธิพลต่อคุณลักษณะของการค้นหาทางสังคมและการนำทางทางสังคม^{[ 15 ]}การรวมกิจกรรมการทิ้งร่องรอยของการเรียกดูทางสังคมเข้ากับแนวคิดของการค้นหาทางสังคมนั้นอาศัยการบันทึกและการนำกิจกรรมการค้นหาที่มุ่งเน้นของผู้ค้นหาที่มีความคิดเหมือนกันมาใช้ซ้ำเพื่อสร้างผลการค้นหาที่เหมาะสมกับความต้องการของชุมชนออนไลน์เฉพาะมากขึ้น ดังที่ Freyne et al . ได้แสดงให้เห็น ^{[ 16 ]}

เว็บไซต์ต่างๆ เช่น Amazon.com วิเคราะห์ร่องรอยการใช้งานของผู้ใช้ เช่น ประวัติการซื้อหรือรีวิวสินค้า เพื่อสร้างคำแนะนำสำหรับผู้ใช้รายอื่น (เช่น "ลูกค้าที่ซื้อสินค้านี้ยังซื้อสินค้าเหล่านี้ด้วย...") ^{[ 17 ]}แพลตฟอร์มออนไลน์สำหรับการพัฒนาซอฟต์แวร์ร่วมกัน เช่นGitHubอาศัยร่องรอยกิจกรรม เช่น จำนวนคลังเก็บข้อมูลประวัติกิจกรรมในโครงการต่างๆการคอมมิตและโปรไฟล์ส่วนบุคคล เพื่อกำหนดชื่อเสียงของผู้ใช้ในชุมชน^{[ 18 ]}

ร่องรอยกิจกรรมของผู้ใช้สามารถใช้ในการสร้างแบบจำลองรูปแบบและแนวโน้มพฤติกรรมของผู้ใช้เพื่อกำหนดสุขภาพของชุมชนออนไลน์ (ว่าชุมชนจะเจริญรุ่งเรืองหรือเสื่อมถอย) ^{[ 19 ]}แบบจำลองดังกล่าวสามารถใช้เพื่อทำนายการแพร่กระจายและความนิยมในอนาคตของเนื้อหา^{[ 20 ]}หรือทำนายผลลัพธ์ก่อนที่จะมีการลงคะแนน^{[ 21 ]}รูปแบบกิจกรรมและปริมาณการเข้าชมสามารถใช้เพื่อประเมินประสิทธิภาพของระบบที่มีอยู่ และปรับปรุงความสามารถ ในการใช้ งาน สถาปัตยกรรม และโครงสร้างพื้นฐาน ของเว็บไซต์ ^{[ 22 ]}

โดยหลักแล้วมีกลยุทธ์สองอย่างในการสำรวจและค้นหาข้อมูลในพื้นที่ข้อมูล: กลยุทธ์แรกคือการค้นหาแบบปกติ ซึ่งผู้ใช้ทราบว่าตนเองกำลังค้นหาอะไร ในบริบทนี้ ผู้ใช้มีข้อมูลเป้าหมายอยู่ในใจ พวกเขามักจะต้องกำหนดคำค้นหาก่อนที่จะป้อนลงในเครื่องมือค้นหา กลยุทธ์การค้นหาอีกอย่างหนึ่งคือการนำทาง ซึ่งผู้ใช้ไม่มีข้อมูลเป้าหมายอยู่ในใจ แต่จะสำรวจข้อมูลต่างๆ โดยการคลิกลิงก์ต่างๆ

การนำทางถือว่ามีข้อดีมากกว่าการค้นหา เนื่องจากการรับรู้สิ่งที่ผู้ใช้กำลังมองหานั้นง่ายกว่าการกำหนดและอธิบายข้อมูลที่ผู้คนต้องการ ซึ่งหมายถึง "ปัญหาคำศัพท์" ^{[ 23 ]}การติดแท็กทางสังคมทำหน้าที่เป็นวิธีการจัดระเบียบชุดทรัพยากรแบบใหม่ในเชิงสังคม และเข้าถึง "ปัญหาคำศัพท์" จากมุมมองทางสังคมแบบใหม่ ระบบการติดแท็กทางสังคมช่วยให้ผู้คนสามารถใส่คำอธิบายประกอบชุดทรัพยากรตามความต้องการของตนเองด้วยคำที่เลือกได้อย่างอิสระ—แท็ก และแบ่งปันกับผู้ใช้รายอื่นของระบบการติดแท็กทางสังคม ผลลัพธ์ของการใส่คำอธิบายประกอบทรัพยากรโดยมนุษย์นี้เรียกว่าfolksonomy ตัวอย่างของระบบการติดแท็กทางสังคม ได้แก่BibSonomy , CiteULike , FlickrและDelicious

แท็กคลาวด์คือการแสดงผลในรูปแบบข้อความของหัวข้อหรือเรื่องโดยรวมที่ผู้ใช้เห็น และแสดงถึง "สาระสำคัญ" ของแหล่งข้อมูลนั้น ๆ

กลุ่มคำแท็กนั้นสร้างได้ง่าย เข้าใจง่าย และใช้งานกันอย่างแพร่หลาย นอกจากนี้ยังสามารถแสดงความสัมพันธ์สามประเภทระหว่างผู้ใช้ แท็ก และทรัพยากรในระบบการติดแท็กได้อีกด้วย อย่างไรก็ตาม มีข้อจำกัดด้านขนาดของกลุ่มคำแท็กที่สามารถแสดงบนหน้าจอได้ ดังนั้นการเลือกแท็กที่ดีที่สุดและการจัดโครงสร้างพื้นที่ข้อมูลเพื่อแสดงความสัมพันธ์ในกลุ่มคำแท็กจึงเป็นสิ่งสำคัญ

แท็กคลาวด์นั้นเรียบง่ายมาก และสามารถนำไปใช้เพื่อสนับสนุนผู้ใช้ได้ นักวิจัยพบว่าแท็กคลาวด์มักจะมีประโยชน์มากกว่าสำหรับงานที่แตกต่างกันสี่อย่างดังต่อไปนี้ ดังที่แสดงโดย Rivadeneira et al. : ^{[ 24 ]}

• การค้นหา: การตรวจสอบว่าเป้าหมายที่กำหนดมีอยู่หรือไม่
• การเรียกดู : การสำรวจระบบคลาวด์โดยไม่มีเป้าหมายเฉพาะเจาะจงในใจ
• การรับรู้ภาพเกี่ยวกับหัวข้อใดหัวข้อหนึ่ง
• การจดจำและการจับคู่: การจดจำกลุ่มคำ (tag cloud) ว่าเป็นข้อมูลที่อธิบายหัวข้อเฉพาะเจาะจง

นักวิจัยยังพบว่ารูปแบบการจัดวางที่แตกต่างกันนั้นมีประโยชน์เมื่อทำภารกิจที่แตกต่างกัน พวกเขายังแสดงให้เห็นว่าการจัดวางตัวอักษรของกลุ่มแท็ก (ขนาดตัวอักษร/ตำแหน่ง) มีความสำคัญ: ขนาดตัวอักษรมีผลกระทบต่อการค้นหาแท็กมากกว่าคุณลักษณะภาพอื่นๆ เช่น สี ความยาวของสตริงแท็ก และตำแหน่งของแท็ก^{[ 25 ] [ 26 ] [ 27 ]}

จากการวิจัยก่อนหน้านี้ วิธีการทั่วไปในการประเมินแท็กคลาวด์มีดังนี้: ^{[ 28 ] [ 29 ]}

• การใช้ตัวชี้วัดการประเมินบางอย่างสำหรับแท็กคลาวด์ในแง่ของความครอบคลุม การทับซ้อน และการเลือกสรร
• แบบจำลองการนำทางของผู้ใช้ที่ผสานรวมกับตัวชี้วัดการประเมิน เพื่อให้สามารถประเมินกลุ่มคำแท็กโดยพิจารณาจากการนำทางได้
• การศึกษาผู้ใช้เพื่อประเมิน การเข้าถึงข้อมูลโดยใช้แท็กในชุดภาพ
• ตรวจสอบสมมติฐานเรื่องความสามารถในการนำทาง (ความเชื่อที่แพร่หลายว่าแท็กคลาวด์มีประโยชน์สำหรับการนำทาง)

ปัญหาหนึ่งของข้อมูลการติดแท็กทางสังคมคือการขาดโครงสร้าง คำพ้องความหมาย คำที่มีหลายความหมาย และคำพ้องเสียง หรือปัญหาเกี่ยวกับความหมายของแท็ก ล้วนเป็นปัญหาเพิ่มเติมที่เกี่ยวข้องกับข้อมูลการติดแท็ก โดยมีอัลกอริธึมการจัดกลุ่มหลักสองประเภท ได้แก่ อัลกอริธึมการจัดกลุ่มแบบแบนราบและแบบลำดับชั้น

การจำแนกประเภทแบบแบนสามารถอ้างถึงวิธีการสามวิธี ได้แก่ วิธีการตามเนื้อหา ซึ่งเป็นอัลกอริธึมที่ใช้กันอย่างแพร่หลายสำหรับการเลือกกลุ่มแท็ก คือ อัลกอริธึม TopN ที่เสนอโดย Venetis et al . ^{[ 29 ]}วิธีการตามเครือข่าย ซึ่งแบ่งกราฟของแท็กที่เชื่อมต่อกันออกเป็นกลุ่ม และวิธีการเรียนรู้ของเครื่อง ซึ่งพิจารณาความสัมพันธ์เชิงความหมายระหว่างแท็ก

การจัดกลุ่มแท็กแบบลำดับชั้น หมายถึงการสร้างโครงสร้างแบบลำดับชั้นจากข้อมูลการติดแท็กที่ไม่มีโครงสร้าง โครงสร้างนี้สามารถมองได้ว่าเป็นแผนที่ความคิดของผู้ใช้เกี่ยวกับพื้นที่ข้อมูล และสามารถใช้เป็นเครื่องมือช่วยในการนำทางได้ การจัดกลุ่มแท็กแบบลำดับชั้นสามารถแบ่งออกได้เป็น 3 วิธี:

• การจัดกลุ่มแบบลำดับชั้น (Hierarchical clustering)เป็นวิธีการที่ปรับใช้ขั้นตอนวิธี K-Means เพื่อใช้กับข้อมูลข้อความและสร้างลำดับชั้นของแท็กในลักษณะจากบนลงล่าง
• การแพร่กระจายความสัมพันธ์จะกำหนดลักษณะของข้อมูลแต่ละตัวอย่างตามค่า "ความรับผิดชอบ" และ "ความพร้อมใช้งาน" อินพุตของอัลกอริทึมคือชุดความคล้ายคลึงกันระหว่างข้อมูลตัวอย่างที่ให้มาในรูปแบบเมทริกซ์ และเอาต์พุตของอัลกอริทึมคือลำดับชั้น โดยแต่ละโหนดในลำดับชั้นจะแสดงถึงแท็กที่ไม่ซ้ำกัน
• ความทั่วไปในวิธีการสร้างกราฟความคล้ายคลึงของแท็กประกอบด้วย:
  1. ข้อมูลป้อนเข้าของอัลกอริธึมคือ กราฟความคล้ายคลึงกันของแท็ก
  2. กำหนดให้โหนดทั่วไปที่สุดเป็นรากของลำดับชั้น
  3. โหนดอื่นๆ ทั้งหมดจะถูกเพิ่มเข้าไปในลำดับชั้นโดยเรียงลำดับจากความสำคัญสูงสุดในกราฟความคล้ายคลึงกันตามกฎต่อไปนี้:
     1. คำนวณค่าความคล้ายคลึงกันระหว่างโหนดทั้งหมดที่มีอยู่ในลำดับชั้นปัจจุบันกับโหนดเป้าหมาย
     2. หากความคล้ายคลึงกันสูงกว่าเกณฑ์ที่กำหนด โหนดผู้สมัครจะถูกเพิ่มเป็นโหนดลูกของโหนดที่คล้ายคลึงกันมากที่สุดในลำดับชั้น
     3. มิฉะนั้น โหนดผู้สมัครจะถูกเพิ่มเป็นโหนดลูกของโหนดราก

การสร้างแบบจำลองการนำทางโดยใช้แท็กใช้เพื่อทำความเข้าใจกระบวนการที่เกิดขึ้นในระบบการติดแท็กทางสังคมและวิธีการใช้งานระบบนั้น ปัจจัยสองประการที่จำเป็นต่อการทำความเข้าใจการสร้างแบบจำลองการนำทางโดยใช้แท็กในระบบการติดแท็กทางสังคม ได้แก่ กรอบการสร้างแบบจำลองพื้นฐานสำหรับการนำทาง และความเข้าใจเชิงทฤษฎีเกี่ยวกับความสามารถของโฟล์กโซโนมีในการชี้นำการนำทาง

แบบจำลองลูกโซ่มาร์คอฟ:

• การนำทางบนเว็บสามารถมองได้ว่าเป็นกระบวนการของการติดตามลิงก์ระหว่างหน้าเว็บต่างๆ
• แบบจำลองลูกโซ่ Markov กำหนดความน่าจะเป็นของการเปลี่ยนสถานะระหว่างหน้าเว็บ (หรือเรียกว่าสถานะต่างๆ )
• โดยทั่วไปมักใช้แบบจำลองมาร์คอฟอันดับแรก (ความน่าจะเป็นของการเปลี่ยนสถานะขึ้นอยู่กับสถานะปัจจุบันเท่านั้น)

การค้นหาแบบกระจายศูนย์:

• การนำทางในเครือข่ายสามารถจำลองได้ด้วยอัลกอริธึมการส่งข้อความแบบกระจายศูนย์ (Decentralized Search)
• โหนดผู้ส่งข้อความจะส่งข้อความต่อไปยังโหนดเพื่อนบ้านที่อยู่ใกล้เคียงที่สุด จนกว่าจะพบโหนดเป้าหมาย
• ในแต่ละขั้นตอน การตัดสินใจเกี่ยวกับการเคลื่อนที่นั้นขึ้นอยู่กับความรู้เฉพาะพื้นที่ของเครือข่ายนั้น ๆ
• การค้นหาเส้นทางไปยังโหนด (ซึ่งเคยพบเห็นแล้วในการนำทางบนเว็บ)

นักวิชาการหลายท่านได้ให้การสนับสนุนทางทฤษฎีเพื่อโต้แย้งถึงความเหมาะสมของระบบจัดกลุ่มชื่อตามภาษาถิ่น (folksonomies) ในฐานะเครื่องมือช่วยนำทาง โดยมีมุมมองหลักสี่ประการดังนี้:

• มุมมองทางทฤษฎีเครือข่ายมีสองด้าน ได้แก่ ความสามารถในการนำทางโดยทั่วไปของระบบการจัดหมวดหมู่ตามชื่อเรียก (folksonomy) ในฐานะกราฟ หรือความสามารถของลำดับชั้นของแท็กในการชี้นำการนำทางในกราฟดังกล่าว
• มุมมองทางทฤษฎีสารสนเทศชี้ให้เห็นว่า การติดแท็กทางสังคมควรถูกมองว่าเป็นความพยายามร่วมกันในการสร้างแผนที่ทางจิตที่สรุปพื้นที่สารสนเทศ
• มุมมองการค้นหาข้อมูลเพื่ออธิบายการแสวงหาข้อมูลของมนุษย์ในสภาพแวดล้อมดิจิทัล
• การติดแท็กเทียบกับวิธีการใช้คลังคำศัพท์ พวกเขาเสนอคำจำกัดความของคำศัพท์ควบคุมและเปรียบเทียบคำศัพท์อิสระที่เกิดขึ้นในระบบการติดแท็กทางสังคมกับคำศัพท์ควบคุม

วิธีการประเมินที่นำเสนอในส่วนนี้อิงตามบทความของHelic et al. ^{[ 30 ]}ผู้เขียนเสนอในบทความแนวคิดทั่วไปว่าผู้คนสามารถใช้ประโยชน์จากผลลัพธ์ที่สร้างโดยอัลกอริธึม folksonomy (โครงสร้างลำดับชั้น) เป็นอินพุต (ความรู้พื้นฐาน) สำหรับการค้นหาแบบกระจายศูนย์ด้วยเหตุผลดังต่อไปนี้:

• ประสิทธิภาพของการค้นหาแบบกระจายศูนย์ขึ้นอยู่กับคุณภาพของผลลัพธ์การจัดกลุ่มแบบลำดับชั้นที่พัฒนาขึ้นเพื่ออำนวยความสะดวกในการนำทางเป็นอย่างมาก
• ประสิทธิภาพของอัลกอริธึมการค้นหา แบบกระจายศูนย์ขึ้น อยู่กับความเหมาะสมของระบบจัดหมวดหมู่ข้อมูลแบบ Folksonomies
• ผู้เขียนเสนอว่าวิธีการจำลองในการค้นหาแบบกระจายศูนย์สามารถนำมาใช้เพื่อประเมินความเหมาะสมของระบบจัดหมวดหมู่แบบ Folksonomies ได้

มีการศึกษาการประยุกต์ใช้การนำทางทางสังคมต่างๆ ในระบบการศึกษา เช่น Knowledge Sea II เมื่อเปรียบเทียบกับวิธีการแบบดั้งเดิม (Closed Corpus) ระบบนี้สามารถรวบรวมข้อมูลออนไลน์ (เรียกว่า Open Corpus) และข้อเสนอแนะจากแหล่งต่างๆ ได้ การจราจรของกลุ่มถูกใช้เป็นข้อเสนอแนะเพื่อระบุข้อมูลการนำทางทางสังคม เช่น "ส่วนที่สำคัญที่สุดของตำราเรียน" หลังจากการศึกษาในห้องเรียน ระบบ Knowledge Sea II แสดงให้เห็นถึงประสิทธิภาพที่ดีกว่าในการแสดงภาพความเกี่ยวข้องของเนื้อหาในตำราเรียนและความพึงพอใจของผู้ใช้ที่เป็นนักเรียน^{[ 31 ]}

เมอร์เทนส์และเพื่อนร่วมงานของเขาได้ปรับปรุงระบบที่มีอยู่เดิม virtPresenter โดยเพิ่ม แนวคิดการนำทาง แบบไฮเปอร์มีเดียมีการบูรณาการบุ๊กมาร์ก ร่องรอย และองค์ประกอบโครงสร้างเพื่อช่วยให้ผู้ใช้เข้าถึงการบันทึกการบรรยายและสนับสนุนการนำทางทางสังคมสำหรับผู้ใช้ในอนาคตด้วย virtPresenter เวอร์ชันใหม่นี้แสดงให้เห็นถึงประสิทธิภาพที่ดีขึ้นในฟังก์ชันการนำทางทางสังคม เช่น การแสดงภาพ การกรองตามสัปดาห์ และบุ๊กมาร์กที่แลกเปลี่ยนได้^{[ 32 ]}

Farzan และ Brusilovsky ได้นำเสนอระบบ AnnotatEd ซึ่งรวมฟังก์ชันการใส่คำอธิบายประกอบบนเว็บและการสนับสนุนการนำทางแบบปรับตัวได้ เพื่อประสานการใช้งานการนำทางทางสังคมในการศึกษาบนเว็บ ด้วยการนำการใส่คำอธิบายประกอบบนเว็บและการสนับสนุนการนำทางทางสังคมมาใช้ ระบบนี้ได้รวม Knowledge Sea II เข้าไว้ด้วย และได้รับการประเมินเป็นเวลาหกภาคการศึกษาในSchool of Information Systemsที่มหาวิทยาลัยพิตต์สเบิร์ก ซึ่งแสดงให้เห็นถึงทัศนคติเชิงบวกของผู้ใช้ที่สูงขึ้นอย่างมีนัยสำคัญต่อระบบใหม่เนื่องจากการบูรณาการการนำทางทางสังคม^{[ 33 ]}

ระบบที่เรียกว่า CityFlocks ได้รับการแนะนำเพื่อแสดงการใช้งานการนำทางทางสังคมในระบบข้อมูล มือ ถือ ในเมือง ^{[ 34 ]}การใช้งานนี้ได้รับการอธิบายโดย Bilandzic et al. (2008) ^{[ 35 ]}เพื่อแก้ปัญหา “ตาบอดทางสังคม” ที่เกิดจากการไหลเข้าของผู้ใช้โทรศัพท์มือถือ CityFlocks ได้รับการออกแบบมาเพื่อเปิดใช้ งาน คำอธิบายประกอบบนเว็บร่วมกับพิกัดบนเป้าหมายทางกายภาพในเมืองโดยตรงหรือโดยอ้อม กลุ่มเป้าหมายถูกเลือกเพื่อรวบรวมข้อกำหนดและปัญหาในการนำทางทางสังคม ระบบได้รับการออกแบบและสร้างขึ้นโดยใช้เทคนิคที่เหมาะสม เช่นGoogle Mapsและการดึงข้อมูลการทดสอบผู้ใช้ของ CityFlocks ระบุว่าวิธีการทางอ้อมเป็นที่ยอมรับได้มากกว่าวิธีการโดยตรง

มีการนำเสนอต้นแบบระบบนำทางทางสังคมสองแบบ ได้แก่ Juggler และ Vortex ระบบ Juggler ผสมผสาน MOO ซึ่งเป็นสภาพแวดล้อมเสมือนจริง แบบข้อความ และไคลเอนต์เว็บระบบ Vortex ใช้เดสก์ท็อป แบบง่าย เพื่อแสดงURL ^{[ 36 ]}

การนำการนำทางทางสังคมที่เสริมด้วยประวัติมาใช้ขึ้นอยู่กับการทำให้ร่องรอยพฤติกรรมของผู้ใช้แฝงปรากฏให้ผู้ใช้ในอนาคตเห็น การนำแนวคิดนี้มาใช้สามารถอ้างอิงถึง Wexelblat และ Maes ซึ่งได้แนะนำพื้นที่ข้อมูลที่เสริมด้วยกลไกการนำทางทางสังคมต่างๆ เช่น แผนที่เอกสาร เส้นทางการนำทาง และคำอธิบายประกอบและป้ายบอกทางของเอกสาร^{[ 37 ]}พวกเขาใช้คุณสมบัติหกประการ ได้แก่ ความใกล้ชิดเทียบกับความห่างไกล การกระทำเทียบกับการไม่กระทำ อัตราการเปลี่ยนแปลง ระดับการแทรกซึม ส่วนบุคคลเทียบกับสังคม และประเภทของข้อมูล ตัวอย่างเพิ่มเติมของพื้นที่ข้อมูลที่เสริมด้วยประวัติได้รับการนำไปใช้ในบริบทที่แตกต่างกัน เช่น โดเมนการศึกษา^{[ 38 ]}เครือข่ายตามตำแหน่ง และสูตรอาหาร

เครือข่ายนำทางทางสังคม (SoNavNet) ซึ่งเป็นแอปพลิเคชันเครือข่ายสังคมตามตำแหน่งที่ตั้งที่คิดค้นโดย Hassan Karimi และทีมงานของเขา มีจุดมุ่งหมายเพื่อแบ่งปันประสบการณ์การนำทาง นอกเหนือจากการแสดงเวลาหรือระยะทางที่สั้นที่สุดเหมือน Google Maps แล้ว ประสบการณ์และคำแนะนำเฉพาะของผู้ใช้ยังมีความสำคัญอีกด้วย ด้วยฟังก์ชันทั้งตำแหน่งทางภูมิศาสตร์และข้อความ SoNavNet ช่วยให้ผู้ใช้สามารถส่งคำขอไปยังเพื่อน ๆ ในขณะที่แสดงตำแหน่งปัจจุบันและจุดสนใจซึ่งพวกเขาจะได้รับข้อมูลเส้นทางและสถานที่ที่ตรงกับความต้องการของพวกเขา^{[ 39 ]}

Martin Svensson และทีมของเขาได้สร้างระบบแนะนำ สูตร อาหาร European Food On-Line ซึ่งมีทั้งวิธีการนำทางโดยตรงและโดยอ้อม Social Navigator ถูกนำมาใช้เป็น Java servlet เพื่อจำลองพฤติกรรมของผู้ใช้และการใช้งานการสื่อสารบนเครือข่าย^{[ 40 ]}

การนำการนำทางทางสังคมมาใช้มีบทบาทสำคัญในการชี้นำผู้ใช้ให้ค้นหาข้อมูลที่ต้องการ เวสลีย์ วิลเลตต์และทีมของเขาได้ออกแบบ Scented Widgets ซึ่งช่วยปรับปรุงการนำทางด้วยการแสดงภาพแบบฝังตัว พวกเขานำเมตริกกลิ่นมาใช้กับวิดเจ็ตอินเทอร์เฟซมาตรฐานและใช้การเข้ารหัสภาพสำหรับข้อมูล เฉดสี ความอิ่มตัว ความโปร่งใส ข้อความ ไอคอน แผนภูมิแท่ง และแผนภูมิเส้น เป็นการเข้ารหัสกลิ่นเพื่อเน้นข้อมูลต่างๆ ซึ่งสามารถแสดงข้อมูลประเภทต่างๆ ได้พร้อมกัน พวกเขาใช้ Java Swing และรูปลักษณ์และความรู้สึกแบบเสียบปลั๊กได้ ของแพลตฟอร์ม เพื่อสร้างและเปลี่ยนแปลงวิดเจ็ตในขณะทำงาน เพื่อออกแบบ อินเทอร์เฟซ ที่เป็นมิตรกับผู้ใช้พวกเขาปฏิบัติตามแนวทางการเข้ารหัสกลิ่น เค้าโครง และองค์ประกอบ^{[ 41 ]}

ในระบบการแชร์ไฟล์ ผู้ใช้แต่ละคนสามารถกำหนดได้ว่าไฟล์ ใด ในคอมพิวเตอร์ของตนเองสามารถแชร์ผ่านเครือข่ายได้ ในช่วงแรก ผู้ใช้ต้องตั้งค่าความปลอดภัยเหล่านี้ด้วยตนเอง และประมาณแปดในสิบของผู้ใช้จะเผลอเปิดเผยข้อมูลส่วนตัว เช่น ข้อมูลบัตรเครดิตหรือที่อยู่ของตนเอง จากปัญหานี้ พอล ดิจิโอเอีย และพอล ดูริช จากมหาวิทยาลัยแคลิฟอร์เนีย เออร์ไวน์ได้นำเสนอ แบบจำลองเชิงเปรียบเทียบ แบบกองซ้อน (pile metaphor model) ที่ใช้การนำทางทางสังคม (social navigation) เพื่อแก้ปัญหา ดังกล่าว

โมเดลอุปมาเรื่องกองเอกสารนั้นเน้นไปที่สองส่วนหลักๆ ส่วนแรก ผู้ใช้สามารถเห็นได้ว่าผู้ใช้คนอื่นๆ ในระบบนี้ตัดสินใจอย่างไรเกี่ยวกับการแชร์ไฟล์ และข้อมูลดังกล่าวจะแสดงออกมาโดยตรงในรูป แบบ ของโฟลเดอร์ลักษณะของโฟลเดอร์ที่แตกต่างกันบ่งบอกถึงระดับการแชร์ที่แตกต่างกัน ด้วยการออกแบบที่ตรงไปตรงมาเช่นนี้ ผู้ใช้จึงสามารถรู้ได้อย่างง่ายดายว่าการตัดสินใจของตนนั้นเหมาะสมหรือไม่ ส่วนที่สอง โมเดลอุปมาเรื่องกองเอกสารยังแสดงจำนวนผู้ใช้ในระบบที่ได้อ่านไฟล์นั้นๆ โดยแสดงความเป็นระเบียบเรียบร้อยของกองเอกสาร ตัวอย่างเช่น ยิ่งไฟล์ถูกอ่านมากเท่าไหร่ กองเอกสารก็จะยิ่งรกมากขึ้นเท่านั้น

แบบจำลองอุปมาแบบกองซ้อนมีข้อดีสองประการ: การนำแบบจำลองนี้ไปใช้ในระบบจะไม่เปลี่ยนแปลงการออกแบบพื้นฐานของระบบ เนื่องจากมันเหมือนกับปลั๊กอิน ขนาดเล็ก และจะมีอิทธิพลอย่างมากต่อผู้ใช้ และมันจะไม่ทำให้ผู้ใช้เสียสมาธิจากการทำงาน เนื่องจากฟีเจอร์ที่เกี่ยวข้องกับความปลอดภัยทั้งหมดจะแสดงโดยตรงบนอินเทอร์เฟซผู้ใช้แบบกราฟิก^{[ 42 ]}

หนึ่งในวิธีการทั่วไปที่ผู้คนใช้ในด้านการนำทางทางสังคมคือการสร้าง proxemics ซึ่งสามารถเชื่อมโยงกับการปฏิสัมพันธ์ระหว่างมนุษย์กับหุ่นยนต์ได้การศึกษาหนึ่งแสดงให้เห็นถึงความสนใจในพฤติกรรมการนำทางประเภทต่างๆ ที่มนุษย์คาดหวังจากหุ่นยนต์ในสถานการณ์การข้ามเส้นทาง ผลลัพธ์เผยให้เห็นว่าความสัมพันธ์เชิงพื้นที่เกี่ยวข้องกับพฤติกรรม ซึ่งนำไปสู่การคาดการณ์ที่เป็นไปได้ของการกระทำที่คาดหวัง^{[ 43 ]}

การท่องโซเชียลมีเดียอาจถูกผู้ใช้ที่ไม่ประสงค์ดี นำไปใช้ในทางที่ผิด โดยมีเจตนาที่จะหลอกลวงสาธารณชนหรือแสวงหาข้อมูลส่วนตัวเกี่ยวกับบุคคลใดบุคคลหนึ่ง

นักวิจัย Meital Ben Sinai, Nimrod Partush, Shir Yadid และ Eran Yahav จากIsrael Technionได้ทำการทดลองในปี 2014 และเขียนบทความเรื่อง “Exploiting Social Navigation” เพื่ออธิบายผลลัพธ์ ตามบทความดังกล่าว ผู้โจมตีสามารถใช้เครื่องหลายเครื่องเพื่อปลอมพฤติกรรมของผู้ใช้และสร้างข้อมูลเท็จเพื่อหลอกลวงผู้ใช้จริงรายอื่น ในกรณีนี้ พวกเขาโจมตีซอฟต์แวร์จราจรแบบเรียลไทม์ที่อนุญาตให้ผู้ใช้รายงานข่าวจราจรและเผยแพร่ข้อความเหล่านี้ไปยังผู้อื่น นักวิจัยใช้ผู้ใช้ปลอมเพื่อสร้างข้อมูลจราจร เช่นสิ่งกีดขวางหรือการจราจรติดขัด และทำให้ระบบหลอกลวงผู้ใช้จริงได้สำเร็จ ผู้ใช้จริงอาจเสียเวลาและเงินไปกับการเดินทางในเส้นทางอื่น หรือถูกนำไปยังเส้นทางที่ไม่ปลอดภัยซึ่งไม่มีอยู่จริง ซึ่งก่อให้เกิดปัญหาด้านความปลอดภัย เพื่อแก้ปัญหานี้ ระบบนำทางทางสังคมบางครั้งจึงตรวจ สอบ ตัวตนของผู้ใช้ผ่านรหัสยืนยัน

เทคนิคการตรวจสอบอาจนำไปสู่ปัญหาอีกประการหนึ่งของการนำทางทางสังคม นั่นคือการรั่วไหลของข้อมูล Sinai และคณะได้กล่าวถึงว่าผู้โจมตีที่เป็นอันตรายอาจใช้ข้อมูลของผู้ใช้เพื่อรับข้อมูลส่วนตัว ซึ่งก่อให้เกิดปัญหาที่เกี่ยวข้องกับความปลอดภัย เนื่องจากผู้โจมตีสามารถใช้ข้อมูลดังกล่าวเพื่อติดตามผู้อื่นด้วยเจตนาร้าย^{[ 44 ]}

เมื่อ เครือข่ายสังคมและเว็บโซเชียล ได้รับ ความนิยมมากขึ้น ข้อมูลสามารถถูกรวบรวมได้จากร่องรอยที่ผู้ใช้ทิ้งไว้ขณะที่พวกเขามีปฏิสัมพันธ์ภายในระบบคอมพิวเตอร์โซเชียลต่างๆ การเติบโตนี้นำไปสู่การใช้งานระบบนำทางโซเชียลที่แปลกใหม่และหลากหลายมากขึ้น รวมถึงในด้านการศึกษา สื่อ ข่าวสาร และระบบนำเที่ยว การใช้งานระบบนำทางโซเชียลใน สภาพแวดล้อม 3 มิติ แบบแบ่งปัน ทำงานในลักษณะเดียวกัน เนื่องจากช่วยให้ผู้ใช้เห็นร่องรอยและข้อมูลของผู้อื่นที่เคยอยู่ในสถานที่เดียวกันในโลกเสมือนจริงมาก่อน^{[ 45 ]} Bosch ได้ปรับปรุงระบบนำทาง จริง สำหรับการขับขี่และใช้ระบบนำทางโซเชียลเพื่อลดเวลาในการขับขี่^{[ 46 ]}

• คำแนะนำตามตำแหน่งที่ตั้ง