شناسایی تاثیرگذاران کلیدی در شبکه های اجتماعی: یک روش جدید مبتنی بر همسایگی

یکی از چالش های کلیدی برای طراحان شبکه های اجتماعی، شناسایی کاربران تاثیرگذار است. چنین کاربرانی با تاثیرگذاری بر سایر کاربران می توانند نقش مهمی در انتشار سریع اطلاعات در شبکه داشته باشند. هدف در اینجا به حداکثر رساندن تاثیر است. این به معنای یافتن کمترین تعداد کاربرانی است که بیشترین تاثیر را بر سایر کاربران دارند. با این حال، معیارهای سنتی تنها می توانند به اهمیت گره در شبکه بپردازند و اهمیت گره را در میان همسایگان خود نادیده می گیرند. یک گره تاثیرگذار که توسط معیارهای سنتی یافت می شود احتمالا در همسایگی گره های ضعیف متصل قرار دارد. این امر می تواند انتشار اطلاعات را به ویژه در برنامه های تبلیغاتی کند کند. برای پرداختن به این مشکل، در این مقاله، معیار جدیدی به نام شباهت همسایگی ارائه می کنیم. این معیار، اهمیت اجتماعی یک کاربر را بر اساس ترکیبی از اطلاعات در مورد همسایگان او تعیین می کند. با توجه به سختی NP مسئله، ما از متریک جدید توسعه یافته خود با یک روش فراابتکاری معروف به نام الگوریتم ژنتیک مرتب سازی غیرمسلط (NSGA-III) استفاده می کنیم. برای کاهش هزینه، از آستانه مرکزیت استفاده می شود تا فقط گره هایی با اتصالات بالا به عنوان کاربران تاثیرگذار عمل کنند. ما از مرتب سازی کاربران بر اساس معیارهای شباهت اجتماعی برای بهبود اکتشاف و بهره برداری استفاده می کنیم. آزمایش های گسترده تحت سناریوهای مختلف با تعداد محدودی از کاربران تاثیرگذار بر روی چهار مجموعه داده معروف از Caltech، Reed، Simmons و Haverford انجام می شود. نتایج آزمایش ها نشان می دهد که معیار تشابه همسایگی پیشنهادی ما می تواند کاربران تاثیرگذار را بهتر از معیارهای سنتی شناسایی کند. معیار پیشنهادی ما، تعداد کاربران تحت تاثیر را به ترتیب ۹.۵٪، ۱۶.۵٪ و ۶.۵٪ از نظر معیارهای مرکزی، نزدیکی و بین بودن بهبود می بخشد.

کلیدواژه ها:

شبکه اجتماعی: به حداکثر رساندن تاثیر ، شباهت همسایگی ، فراابتکاری ، NSGA-III