Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đo lường giá trị của dự đoán liên kết chính xác cho việc gieo hạt mạng
Tóm tắt
Tài liệu về tối đa hóa ảnh hưởng tìm kiếm những tập hợp nhỏ các cá nhân mà vị trí cấu trúc của họ trong mạng xã hội có thể kích hoạt những chuỗi hành vi lớn. Những nỗ lực tối ưu hóa để tìm tập hợp hạt giống tốt nhất thường giả định có kiến thức hoàn hảo về hình học mạng lưới. Thật không may, các liên kết trong mạng xã hội hiếm khi được biết một cách chính xác. Khi nào các chiến lược gieo hạt dựa trên dự đoán liên kết không chính xác lại cung cấp những hiểu biết giá trị? Chúng tôi giới thiệu hiệu suất tối ưu hóa dựa trên mẫu ($$\text{OAS}$$) để đo lường giá trị của việc tối ưu hóa gieo hạt dựa trên quan sát ồn của một mạng lưới. Nghiên cứu tính toán của chúng tôi điều tra $$\text{OAS}$$ dưới một số mô hình lan tỏa ngưỡng trong các mạng tổng hợp và mạng thế giới thực. Chúng tôi tập trung vào việc đo lường giá trị của thông tin liên kết không chính xác. Mức độ đầu tư vào việc dự đoán liên kết có vẻ phụ thuộc chặt chẽ vào mô hình lan tỏa: trong một số khoảng tham số, việc đầu tư vào việc cải thiện dự đoán liên kết có thể mang lại lợi nhuận đáng kể về kích thước chuỗi. Đối với các khoảng khác, những khoản đầu tư như vậy sẽ bị lãng phí. Một số xu hướng rất nhất quán trên nhiều hình thức mạng.
Từ khóa
#tối đa hóa ảnh hưởng #mạng xã hội #dự đoán liên kết #mô hình lan tỏa #hiệu suất tối ưu hóaTài liệu tham khảo
Granovetter M. Threshold models of collective behavior. Am J Sociol. 1978;83(6):1420–43.
Chen W, Lakshmanan LVS, Castillo C. Information and influence propagation in social networks. Synth Lect Data Manag. 2013;5(4):1–177. doi:10.2200/S00527ED1V01Y201308DTM037.
Morris S. Contagion. Rev Econ Stud. 1998;67(1):57–78.
Kempe D, Kleinberg J, Tardos E. Maximizing the spread of influence through a social network. In: Proceedings of the ninth ACM SIGKDD international conference on knowledge discovery and data mining. KDD ’03. New York: ACM; 2003. p. 137–46.
Peleg D. Local majorities, coalitions and monopolies in graphs: a review. Theor Comput Sci. 2002;282(2):231–57. doi:10.1016/S0304-3975(01)00055-X. (FUN with Algorithms).
Jackson MO. Social and economic networks. Princeton: Princeton University Press; 2008.
Centola D. The spread of behavior in an online social network experiment. Science. 2010;329(5996):1194–7. doi:10.1126/science.1185231.
Centola D, Macy M. Complex contagions and the weakness of long ties1. Am J Sociol. 2007;113(3):702–34.
Chen W, Wang Y, Yang S. Efficient influence maximization in social networks. In: Proceedings of the 15th ACM SIGKDD international conference on knowledge discovery and data mining. KDD ’09. New York: ACM; 2009. p. 199–208.
Centola D, Eguíluz VM, Macy MW. Cascade dynamics of complex propagation. Phys A Stat Mech Appl. 2007;374(1):449–56. doi:10.1016/j.physa.2006.06.018.
Romero DM, Meeder B, Kleinberg J. Differences in the mechanics of information diffusion across topics: idioms, political hashtags, and complex contagion on twitter. In: Proceedings of the 20th international conference on world wide web. WWW ’11. New York: ACM; 2011. p. 695–704.
Leskovec J, Adamic LA. The dynamics of viral marketing. ACM Trans Web. 2007;1(1):5. doi:10.1145/1232722.1232727.
Wehmuth K, Ziviani A. Daccer: distributed assessment of the closeness centrality ranking in complex networks. Comput Netw. 2013;57(13):2536–48. doi:10.1016/j.comnet.2013.05.001.
Kim H, Yoneki E. Influential neighbours selection for information diffusion in online social networks. In: 2012 21st international conference on computer communications and networks (ICCCN). 2012. p. 1–7.
Kim H, Beznosov K, Yoneki E. A study on the influential neighbors to maximize information diffusion in online social networks. Comput Soc Netw. 2015;2(1):1–15. doi:10.1186/s40649-015-0013-8.
Michalski R, Kajdanowicz T, Bródka P, Kazienko P. Seed selection for spread of influence in social networks: temporal vs. static approach. New Gener Comput. 2014;32(3):213–35. doi:10.1007/s00354-014-0402-9.
Sarkar P, Chakrabarti D, Jordan MI. Nonparametric link prediction in dynamic networks. In: Langford J, Pineau J, editors. Proceedings of the 29th international conference on machine learning (ICML-12). New York: ACM; 2012. p. 1687–94. http://icml.cc/2012/papers/828.pdf.
Dunlavy DM, Kolda TG, Acar E. Temporal link prediction using matrix and tensor factorizations. ACM Trans Knowl Discov Data. 2011;5(2):10–11027. doi:10.1145/1921632.1921636.
He X, Kempe D. Stability of influence maximization. In: Proceedings of the 20th ACM SIGKDD international conference on knowledge discovery and data mining. KDD ’14. New York: ACM; 2014. p. 1256–65.
Chen W, Lin T, Tan Z, Zhao M, Zhou X. Robust influence maximization. In: Proceedings of the 22Nd ACM SIGKDD international conference on knowledge discovery and data mining. KDD ’16. New York: ACM; 2016. p. 795–804.
He X, Kempe D. Robust influence maximization. In: Proceedings of the 22Nd ACM SIGKDD international conference on knowledge discovery and data mining. KDD ’16. New York: ACM; 2016. p. 885–94.
Liben-Nowell D, Kleinberg J. The link prediction problem for social networks. In: Proceedings of the twelfth international conference on information and knowledge management. CIKM ’03. New York: ACM; 2003. p. 556–9.
Clauset A, Moore C, Newman MEJ. Hierarchical structure and the prediction of missing links in networks. Nature. 2008;453:98–101. doi:10.1038/nature06830.
Hasan MA, Chaoji V, Salem S, Zaki M. Link prediction using supervised learning. In: In Proc. of SDM 06 workshop on link analysis, counterterrorism and security. 2006.
Lü L, Zhou T. Link prediction in complex networks: a survey. Phys A Stat Mech Appl. 2011;390(6):1150–70. doi:10.1016/j.physa.2010.11.027.
Adiga A, Kuhlman C, Mortveit HS, Vullikanti AKS. Sensitivity of diffusion dynamics to network uncertainty. In: Proceedings of the twenty-seventh AAAI conference on artificial intelligence. AAAI’13. 2013.
Watts DJ, Strogatz SH. Collective dynamics of ‘small-world’ networks. Nature. 1998;393:440–2.
Nagaraja S. Anonymity in the wild: mixes on unstructured networks. In: Proceedings of the seventh workshop on privacy enhancing technologies (PET 2007). 2007.
Albert R, Barabási A-L. Statistical mechanics of complex networks. Rev Mod Phys. 2002;74:47–97. doi:10.1103/RevModPhys.74.47.
Guimerà R, Danon L, Díaz-Guilera A, Giralt F, Arenas A. Self-similar community structure in a network of human interactions. Phys Rev E. 2003;68:065103. doi:10.1103/PhysRevE.68.065103.
Opsahl T, Panzarasa P. Clustering in weighted networks. Soc Netw. 2009;31(2):155–63. doi:10.1016/j.socnet.2009.02.002.