skip to Main Content

بیشینه‌سازی نفوذ در شبکه‌های اجتماعی با محدودسازی میزان کاهش نفوذ

عنوان انگلیسی: Maximizing influence under influence loss constraint in social networks
سال نشر: ۲۰۱۶
نویسنده: Yifeng Zeng,Xuefeng Chen,Gao Cong,Shengchao Qin,Jing Tang,Yanping Xiang
تعداد صفحه فارسی: ۴۰ – تعداد صفحه انگلیسی: ۱۳
دانشگاه: a Automation Department, Xiamen University, SIming Road Xiamen, Fujian 361005, China b Teesside University, UK c University of Electronic Science and Technology of China, Chengdu, China d Nanyang Technological University, Singapore e Shenzhen University, China
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: ترجمه پلاس

چکیده

بیشینه‌سازی نفوذ یکی از مسائل بنیادی تحقیقاتی در شبکه‌های اجتماعی به شمار می‌آید. در بازاریابی ویروسی که یکی از کاربردهای این مقوله است، دسته کوچکی از کاربران برای قبول یک محصول انتخاب شده و اثر شفاهی متعاقب آن می‌تواند به پذیرش عظیم این محصول در شبکه‌های اجتماعی منتهی گردد. مسئله بیشینه‌سازی نفوذ، انتخاب مجموعه‌ای متشکل از K گره از یک شبکه اجتماعی به گونه‌ای است که میزان گسترش نفوذ آن در شبکه را به حداکثر مقدار خود برساند. در پژوهش قبلی انجام شده در خصوص استخراج K گره بالای بانفوذ، فرض شده است که تمامی K گره انتخاب شده می‌توانند نفوذ خود را مطابق انتظار گسترش دهند. با این وجود برخی از گره‌های انتخابی در عمل چندان به خوبی عمل نمی‌نمایند که همین مسئله به اتلاف یا کاهش K گره بالای بانفوذ منتهی می‌گردد. در این مقاله، مسئله بیشینه‌سازی نفوذ دیگری را مورد بررسی قرار خواهیم داد که به طور طبیعی محدودیت اطمینان‌پذیری گره‌ها در شبکه‌های اجتماعی، آن را برمی‌انگیزند. هدف ما یافتن K گره بالای بانفوذ می‌باشد که آستانه کاهش نفوذ ناشی از شکست مجموعه‌ای از R (<K) گره را به ما می‌دهد. برای حل گونه جدید

Abstract

Influence maximization is a fundamental research problem in social networks. Viral marketing, one of its applications, aims to select a small set of users to adopt a product, so that the word-of-mouth effect can subsequently trigger a large cascade of further adoption in social networks. The problem of influence maximization is to select a set of K nodes from a social network so that the spread of influence is maximized over the network. Previous research on mining top-K influential nodes assumes that all of the selected K nodes can propagate the influence as expected. However, some of the selected nodes may not function well in practice, which leads to influence loss of top-K nodes. In this paper, we study an alternative influence maximization problem which is naturally motivated by the reliability constraint of nodes in social networks. We aim to find top-K influential nodes given a threshold of influence loss due to the failure of a subset of R(K) nodes. To solve the new type of inf
امتیاز شما:
(No Ratings Yet)
Back To Top