Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình dựa trên hoạt động của nút và tính kết nối để tối đa hóa ảnh hưởng trong mạng xã hội
Tóm tắt
Tối đa hóa ảnh hưởng giải quyết vấn đề xác định một tập con các nút kích thước k trong một mạng xã hội có thể tối đa hóa sự lan rộng của ảnh hưởng trong mạng. Trong bài báo này, vấn đề tối đa hóa ảnh hưởng được nghiên cứu thông qua hai khía cạnh, tính kết nối của nút và mức độ hoạt động của nút. Để đo lường tính kết nối của nút, biện pháp rất phổ biến và trực quan là độ ra của nút đã được sử dụng, và đối với mức độ hoạt động của nút, các tương tác trong quá khứ của nút đã được xem xét. Để nghiên cứu sự lan rộng của ảnh hưởng, hai mô hình khuếch tán dựa trên hoạt động, cụ thể là mô hình Cascade Độc Lập Dựa Trên Hoạt Động và mô hình Ngưỡng Tuyến Tính Dựa Trên Hoạt Động, đã được đề xuất trong đó quá trình lan rộng ảnh hưởng được thúc đẩy bởi hoạt động mà nút thực sự đã thực hiện trong quá khứ. Các mô hình dựa trên hoạt động nhằm nghiên cứu sự lan toả ảnh hưởng bằng cách kết hợp một khía cạnh thực tế hơn tương ứng với hành vi của người dùng. Được thúc đẩy bởi niềm tin rằng hoạt động cũng quan trọng như tính kết nối, thuật toán UAC-Rank cho việc xác định những người chấp nhận ban đầu đã được đề xuất.
Từ khóa
#tối đa hóa ảnh hưởng #kết nối nút #hoạt động nút #mô hình khuếch tán #mạng xã hộiTài liệu tham khảo
Agarwal S, Mehta S (2018) Social influence maximization using genetic algorithm with dynamic probabilities. In: 2018 eleventh international conference on contemporary computing (IC3). https://doi.org/10.1109/ic3.2018.8530626
Alshahrani M, Fuxi Z, Sameh A, Mekouar S, Huang (2018) Top-K influential users selection based on combined Katz centrality and propagation probability. In: IEEE 3rd international conference on cloud computing and big data analysis (ICCCBDA), pp 52–56
Chen W, Wang Y, Yang S (2009) Efficient influence maximization in social networks. In: 15th ACM SIGKDD international conference on knowledge discovery and data mining—KDD’09, pp 199–208
Deng X, Pan Y, Wu Y, Gui J (2015) Credit distribution and influence maximization in online social networks using node features. In: 12th international conference on fuzzy systems and knowledge discovery (FSKD), pp 2093–2100
Domingos P, Richardson M (2001) Mining the network value of customers. In: Seventh ACM SIGKDD international conference on knowledge discovery and data mining—KDD’01, pp 57–66
Goyal A, Bonchi F, Lakshmanan LVS (2011) A data-based approach to social influence maximization. Proc VLDB Endow 5(1):73–84
Heidemann J, Klier M, Probst F (2010) Identifying key users in online social networks: a PageRank based approach. In: 31st international conference on information systems (ICIS), pp 1–22
Jianqiang Z, Xiaolin G, Feng T (2017) A new method of identifying influential users in the micro-blog networks. IEEE Access 5:3008–3015
Kempe D, Kleinberg J, Tardos É (2003) Maximizing the spread of influence through a social network. In: 9th ACM SIGKDD international conference on knowledge discovery and data mining, KDD’03, pp 137–146
Kleinberg JM (1999) Authoritative sources in a hyperlinked environment. J ACM 46(5):604–632
Kurka DB, Godoy A, Von Zuben FJ (2016) Online social network analysis: a survey of research applications in computer science. arXiv:1504.05655v2
Liu D, Jing Y, Zhao J, Wang W, Song G (2017) A fast and efficient algorithm for mining top-k nodes in complex networks. Sci Rep 7:43330
Morone F, Makse HA (2015) Influence maximization in complex networks through optimal percolation. Nature 524(7563):65–68
Page L, Brin S, Motwani R, Winograd T (1998) The PageRank citation ranking: bringing order to the web. Technical report, Stanford InfoLab
Peng S, Wang G, Xie D (2017) Social influence analysis in social networking big data: opportunities and challenges. IEEE Netw 31(1):11–17
Peng S, Zhou Y, Cao L, Yu S, Niu J, Jia W (2018) Influence analysis in social networks: a survey. J Netw Comput Appl 106:17–32
Riquelme F, Gonzalez-Cantergiani P, Molinero X, Serna M (2018) Centrality measure in social networks based on linear threshold model. Knowl Based Syst 140:92–102
Sheng K, Zhang Z (2018) Research on the influence maximization based on community detection. In: 13th IEEE conference on industrial electronics and applications (ICIEA). https://doi.org/10.1109/iciea.2018.8398185
Tong G, Wu W, Tang S, Du DZ (2017) Adaptive influence maximization in dynamic social networks. IEEE/ACM Trans Netw 25(1):112–125
Wang Y, Zhang B, Vasilakos AV, Ma J (2014) PRDiscount: a heuristic scheme of initial seeds selection for diffusion maximization in social networks. Springer, Cham, pp 149–161
Zhu J, Liu Y, Yin X (2017) A new structure-hole-based algorithm for influence maximization in large online social networks. IEEE Access 5:23405–23412