این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۱۴، شماره ۱، صفحات ۱۱-۲۶
عنوان فارسی شناسایی تأثیرگذاران کلیدی در شبکه‌های اجتماعی: یک روش جدید مبتنی بر همسایگی
چکیده فارسی مقاله یکی از چالش های کلیدی برای طراحان شبکه های اجتماعی، شناسایی کاربران تاثیرگذار است. چنین کاربرانی با تأثیرگذاری بر سایر کاربران می توانند نقش مهمی در انتشار سریع اطلاعات در شبکه داشته باشند. هدف در اینجا به حداکثر رساندن تأثیر است. این به معنای یافتن کمترین تعداد کاربرانی است که بیشترین تأثیر را بر سایر کاربران دارند. با این حال، معیارهای سنتی تنها می‌توانند به اهمیت گره در شبکه بپردازند و اهمیت گره را در میان همسایگان خود نادیده می‌گیرند. یک گره تأثیرگذار که توسط معیارهای سنتی یافت می‌شود احتمالاً در همسایگی گره‌های ضعیف متصل قرار دارد. این امر می‌تواند انتشار اطلاعات را به ویژه در برنامه های تبلیغاتی کند کند. برای پرداختن به این مشکل، در این مقاله، معیار جدیدی به نام شباهت همسایگی ارائه می‌کنیم. این معیار، اهمیت اجتماعی یک کاربر را بر اساس ترکیبی از اطلاعات در مورد همسایگان او تعیین می کند. با توجه به سختی NP مسئله، ما از متریک جدید توسعه یافته خود با یک روش فراابتکاری معروف به نام الگوریتم ژنتیک مرتب‌سازی غیرمسلط (NSGA-III) استفاده می‌کنیم. برای کاهش هزینه، از آستانه مرکزیت استفاده می‌شود تا فقط گره‌هایی با اتصالات بالا به عنوان کاربران تأثیرگذار عمل کنند. ما از مرتب‌سازی کاربران بر اساس معیارهای شباهت اجتماعی برای بهبود اکتشاف و بهره‌برداری استفاده می‌کنیم. آزمایش‌های گسترده تحت سناریوهای مختلف با تعداد محدودی از کاربران تأثیرگذار بر روی چهار مجموعه داده معروف از Caltech، Reed، Simmons و Haverford انجام می‌شود. نتایج آزمایش‌ها نشان می‌دهد که معیار تشابه همسایگی پیشنهادی ما می‌تواند کاربران تأثیرگذار را بهتر از معیارهای سنتی شناسایی کند. معیار پیشنهادی ما، تعداد کاربران تحت تأثیر را به ترتیب 9.5٪، 16.5٪ و 6.5٪ از نظر معیارهای مرکزی، نزدیکی و بین بودن بهبود می‌بخشد.
کلیدواژه‌های فارسی مقاله شبکه اجتماعی به حداکثر رساندن تأثیر،شباهت همسایگی،فراابتکاری،NSGA-III،
عنوان انگلیسی Identifying Key Influencers in Social Networks: A New Neighborhood-Based Method
چکیده انگلیسی مقاله Abstract- One of the key challenges for social network designers is to identify influential users. Such users, by influencing other users, can play an important role in the rapid spread of information in the network. The goal here is influence maximization. This means finding the smallest number of users who have the greatest influence on other users. However, traditional metrics can only address the importance of the node in the network and ignore the importance of the node among its neighbors. An influential node found by traditional metrics is likely to be in the neighborhood of weakly connected nodes. This can slow down the spread of information, especially in advertising applications. To address this problem, in this paper, we present a new metric called neighborhood similarity. It determines the social importance of a user based on a combination of information about his/her neighbors. Due to the NP-hardness of the problem, we use our newly developed metric with a well-known metaheuristic method called Non-dominated Sorting Genetic Algorithm (NSGA-III). To reduce the cost, a centrality threshold is used so that only nodes with high connections act as influential users. We use sorting of users based on social similarity criteria to improve exploration and exploitation. Extensive tests are performed under different scenarios with a limited number of influential users on four well-known datasets from Caltech, Reed, Simmons, and Haverford. The results of the experiments show that our proposed neighborhood similarity metric can identify influential users better than traditional metrics. It improves the number of affected users by 9.5%, 16.5%, and 6.5%, respectively, in terms of centrality, closeness, and betweenness criteria.
کلیدواژه‌های انگلیسی مقاله شبکه اجتماعی به حداکثر رساندن تأثیر,شباهت همسایگی,فراابتکاری,NSGA-III
نویسندگان مقاله یحیی درستکار نوایی |
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد قزوین، قزوین، ایران.

محمد حسین رضوانی |
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد قزوین، قزوین، ایران.

امیرمسعود افتخاری مقدم |
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد قزوین، قزوین، ایران.

نشانی اینترنتی https://jscit.nit.ac.ir/article_219059_2a26777aa0ffca7c20ae2e6313e31f81.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات