مدلسازی انتشار اطلاعات در شبکه های اجتماعی برای پیش بینی زمانی پویا
چکیده
نحوه مدلسازی فرآیند انتشار اطلاعات در شبکه های اجتماعی، کار تحقیقاتی حیاتی شمرده می شود. اگر چه تلاش های متعددی برای این مطالعه صورت پذیرفته است اما تعداد کمی از آن ها قادر به شبیه سازی و پیش بینی پویایی زمانی فرآیند انتشار هستند. برای رفع این مشکل، ما مدل انتشار اطلاعات جدیدی (مدل GT) را پیشنهاد نمودیم که کاربران شبکه را عوامل هوشمندی تلقی می نماید. این عوامل به اتفاق همه همسایه های تعاملگر خود را لحاظ نموده و بازده گزینه های مختلف خود را برای تصمیمات استراتژیک محاسبه می کنند. ما فاکتور زمانی را وارد بازده کاربر نموده که در نتیجه آن، مدل GT نه تنها قادر به پیش بینی رفتار یک کاربر خواهد بود بلکه زمان بروز رفتار مزبور را نیز پیش بینی می نماید. هم اثرگذاری کلی و هم اثرگذاری اجتماعی در محاسبه بازده وابسته به زمان مورد کنکاش قرار گرفتند که در آن روش جدید بازنمایی اثرگذاری اجتماعی برای شناخت کامل خواص زمانی پویا اثرگذاری اجتماعی بین کاربران طراحی گشته است. نتایج تجربی مربوط به سینا ویبو و فلیکر، اثربخشی روش های ما را تایید نمودند.
1. مقدمه
مدلسازی انتشار اطلاعات در شبکه های اجتماعی، کاری حیاتی و چالش برانگیز شمرده می شود. از مدل های انتشار برای تبیین و شبیه سازی نحوه انتشار اطلاعات در شبکه اجتماعی استفاده می شود. مدل های مزبور دارای طیف گسترده ای از برنامه های کاربردی از جمله توصیه اطلاعات، بازاریابی ویروسی، تشخیص اخبار فوری، و غیره هستند. مطالعات کنونی مربوط به مدلسازی انتشار اطلاعات را می توان به دو دسته یعنی: مدل های نظریه محور و مدل های داده محور تقسیم نمود.
مدل های نظریه محور عمدتاً از همه گیرشناسی، جامعه شناسی و اقتصاد سرچشمه می گیرند. پرمطالعه ترین مدل های انتشار این دسته عبارتند از: مدل همه گیر، مدل آبشاری مستقل و مدل آستانه خطی. این مدل ها برای مطالعه مسائل مربوط به انتشار اطلاعات مانند مساله بیشینه سازی اثرگذاری، مفید هستند [6، 4، 5]. با این حال، فرض مدل های مزبور آن است که کاربران شبکه اثرگذاری منفعلانه ای بر گسترش اطلاعات دارند. با توجه به عدم پشتیبانی از سوی داده های انتشار واقعی، این مدل ها فاقد توانایی پیش بینی انتشار هستند.
Abstract
Modeling the process of information diffusion is a challenging problem. Although numerous attempts have been made in order to solve this problem, very few studies are actually able to simulate and predict temporal dynamics of the diffusion process. In this paper, we propose a novel information diffusion model, namely GT model, which treats the nodes of a network as intelligent and rational agents and then calculates their corresponding payoffs, given different choices to make strategic decisions. By introducing time-related payoffs based on the diffusion data, the proposed GT model can be used to predict whether or not the user's behaviors will occur in a specific time interval. The user's payoff can be divided into two parts: social payoff from the user's social contacts and preference payoff from the user's idiosyncratic preference. We here exploit the global influence of the user and the social influence between any two users to accurately calculate the social payoff. In addition, we develop a new method of presenting social influence that can fully capture the temporal dynamics of social influence. Experimental results from two different datasets, Sina Weibo and Flickr demonstrate the rationality and effectiveness of the proposed prediction method with different evaluation metrics.
1. INTRODUCTION
Information diffusion modeling over social networks is a critical and challenging task. Diffusion models are used to explain and simulate how information diffuses in a social network. They have a wide range of applications, including information recommendation, viral marketing, breaking news detection, and so on. The current studies on information diffusion modeling can be divided into two categories: theory-centric models and data-centric models.
Theory-centric models mainly come from epidemiology, sociology and economics. The most widely-studied diffusion models of this category are the epidemic model,the independent cascade model and the linear threshold model. These models are helpful for studying the information diffusion problems such as influence maximization problem [6, 4, 5]. However, they assume that the users in the network are passively influenced to spread information. Due to the lack of support from actual diffusion data, these models do not have the ability of diffusion prediction.
چکیده
1. مقدمه
2. تدوین مساله
3. مدل پیشنهادی
4. الگوریتم ها
4.1. الگوریتم های یادگیری
5. آزمایشات
5.1. شرایط آزمایشی
5.2. عملکرد پیش بینی
6. نتیجه گیری
منابع
ABSTRACT
1. INTRODUCTION
2. PROBLEM FORMULATION
3. THE PROPOSED MODEL
4. ALGORITHMS
4.1 Learning Algorithms
4.2 Information Prediction Algorithm
5. EXPERIMENTS
5.1 Experimental Setup
5.2 Prediction Performance
6. CONCLUSION
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه