مقایسه روش های شناسایی جوامع دارای علاقمندی مشترک در شبکه های اجتماعی

Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 814

This Paper With 6 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

TDCONF01_036

تاریخ نمایه سازی: 19 تیر 1394

Abstract:

شبکه های اجتماعی اینترنتی بعنوان پایگاه بزرگ کاربر و فعالیت بالای کاربران، فرصت های زیادی برای شرکت ها فراهم می کند تا بشکل موثری به یک گروه بزرگ مخاطب (از مشتریان بالقوه) دست یابند. از طرف دیگر، این گروه مخاطب می تواند اطلاعات در خصوص محصولات/ خدمات تولید شده توسط این شرکت ها را نشر دهد.یک مساله مهم در کاربرد تبلیغات هدفمند و بازریابی ویروسی در شبکه های اجتماعی شناسایی کارای جوامع همفکر با علاقمندی های مشترک در شبکه های اجتماعی بزرگ است. چنین جوامعی در حالت ایده آل می بایست در برگیرنده کاربرانی از جمعیت شناختی درست باشند که همچنین بخوبی با یکدیگر در ارتباطند(متصلند). اهمیت شناسایی درست گروه جمعیت شناختی از این روست تا مطمئن باشیم که مخاطب و محصول بدرستی نظیر شده اندو ارتباط این گروه فرایند تبلیغات شفاهی را ساده می کند. علاوه بر کاربرد در تبلیغات و بازاریابی، چنین جوامعی همچنین برای مبارزه با تروریسم و اهداف مدلسازی اپیدمی(همه گیری) کاربرد دارند. در این مقاله برخی از رویکردهایی که به شناسایی جوامع با علاقمندی مشترک می توانند رهنمون شوند، ارائه می شود.

Keywords:

تحلیل شبکه های اجتماعی , تشخیص جامعه , علاقمندی مشترک

Authors

فرزانه قزاقی

دانشجوی کارشناسی ارشدگروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، تهران، ایران

مهدی خلیلی

استادیار گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران

اکبر فرهودی نژاد

استادیار گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • ComScore, Dec 201 1. It's a social world, Top 10 ...
  • Engineering Blog, Jul 2012. The engineering behind twitter new search ...
  • All Twitter. , Jul 2012. Twiter to surpass 500 million ...
  • Iyer G, Soberman D, J. Miguel Villas-Boas, 2005. The targeting ...
  • M. Kaplan A., Haenlein M. , 201 1.Two hearts in ...
  • Fortunato S. , 2010. Community detection in graphs. Physics Reports, ...
  • Lancichinett A., Fortunato A. Kert esz J. , Mar 2009. ...
  • Girvan M., E. J. Newman M. , Jun 2002. Community ...
  • Radicchi F., et al. _ Mar 204 Defining and identifying ...
  • Palla G, et al. , Jun 2005. Uncovering the overlapping ...
  • Rosvall M, et al. , 2008. Maps of random walks ...
  • Jin X, et al, Aug 2011. A system for mining ...
  • Yang S.H, et al. , Mar 2011. Like like alike ...
  • Java A, Song X., Finin T., Tseng B. , Aug ...
  • Atzmueller M, Mitzlaff F. , May 201. Efficient descriptive community ...
  • Galuba W., et al. , 2012 Outtweeting the Twitterers , ...
  • Sofus A. Macskassy and Matthew Michelson, May 2011. Why do ...
  • Yang Z..et al. , Oct 2010. Understanding retweeting behaviors in ...
  • Romero D.M., et al. , Mar 2011. Differences in the ...
  • Huang J., et al. , Jun 2010. _ OnVers ationaltagging ...
  • Castillo C., et al. , Mar 201 1. Information credibility ...
  • Becker H., et al. , May 2011. Beyond trending topics: ...
  • Kouloumpis E., et al. , May 2011. Twitter sentiment analysis: ...
  • Arab _ Afsharchi M , April 2014. Community detection in ...
  • Palsetia R. , et al. , August 12, 2012. User-Interest ...
  • Andersen R., J Lang K. , May 2006. Communities from ...
  • Andersen R., Chung F. and Lang K. , Oct 206. ...
  • Clauset A. , Aug 2005. Finding local community structure in ...
  • Luo F., et al, Dec 2006. Exploring local community structures ...
  • Rhouma D, Romdhane L.B. , July 2014. An efficient algorithm ...
  • نمایش کامل مراجع