بیشینه سازی تاثیر در گرافهای اجتماعی بر اساس ساختار اجتماعو افزایش پوشش گره

بیشینه سازی تاثیر یک مسئله بهینه سازی در حوزه تجزیه و تحلیل گراف اجتماعی است که می خواهد زیرمجموعه ای از k فرد را انتخاب کند تا تعداد گره های تحت تاثیر را در پایان فرآیند انتشار به حداکثر برساند.از آنجایی که افراد در یک اجتماع تماس مکرری دارند و احتمال بیشتری وجود دارد که بر یکدیگر تاثیر بگذارند، به حداکثر رساندن تاثیر مبتنی بر اجتماع توجه قابل توجهی را به خود جلب کرده است .با این حال، این نوع کارها نقش گرههای همپوشانی را در ساختار اجتماع نادیده می گیرند که منجر به کاهش عملکرد در انتخاب گره آغازین می شود. علاوه بر این ، بسیاری از الگوریتم های مبتنی بر اجتماع موجود، دانه های نهایی را فقط از اجتماعات مهم انتخاب شده شناسایی می کنند، یا باید از وزنهای بین گسترش محلی و گسترش جهانی یک گره استفاده کنند.تنظیم ترازوهای مناسب برای اجتماعات مهم یا تعیین وزن برای پراکندگی های مختلف دشوار است . در این مقاله ، ما یک رویکرد به حداکثر رساندن تاثیر جدید مبتنی بر همپوشانی ساختار اجتماع و افزایش پوشش گره پیشنهاد می کنیم .در مرحله اول، گراف های اجتماعی توسط الگوریتم تجزیه و تحلیل مکان گره در میدان پتانسیل توپولوژیکی به اجتماعات مختلف همپوشانی تقسیم می شوند.ثانیا، یک معیار مرکزی حساس به دست آوردن پوشش گره برای ارزیابی تاثیر هر گره به صورت محلی در اجتماعات متعلق به آن قرار داده شده است ، که از مشکل گسترش محلی و گسترش جهانی جلوگیری می کند.در نهایت ، گرههامستقیما با ترکیب ساختار اجتماع شناسایی شده با استراتژی از پیش طراحی شده، بدون شناسایی اجتماعات مهم انتخاب می شوند. آزمایشات جامع تحت هر دو مدل آبشار مستقل یکنواخت و مدل آبشار مستقل وزندار نشان می دهد که رویکرد پیشنهادی ما می تواند به گسترش نفوذ رقابتی دست یابد و ازکارهای پیشرفته پیشی بگیرد. علاوه بر این، رویکرد پیشنهادی ما عملکرد پایداری را بر روی گراف ها با مقیاسهای مختلف وویژگیهای ساختاری مختلف نشان میدهد.