خلاصه سازی گراف شبکه های اجتماعی بر اساس پتانسیل تاثیرگذاری: مدلی پیشنهادی با استفاده از نمونه گیری حریصانه و زنجیره ی مارکوف

با افزایش روز افزون شبکه های اجتماعی و حجم بسیار وسیع کاربران آنها، لزوم ارائه ی روش های کارا که بتوانند افراد تأثیرگذار این شبکه ها را انتخاب کنند بیش از پیش احساس می شود. بنابراین تأثیر گذاری و مدل های انتشار اطلاعات درون شبکه های اطلاعاتی از بحث های جامعه شناسی گرفته تا بازاریابی و امنیت می تواند کاربردهای گوناگونی داشته باشد. از چالش های بزرگ پیشرو در این زمینه حجیم بودن و تراکم بالای اطلاعات موجود در شبکه های اجتماعی است که پردازش آن را بسیار پرهزینه می کند و پردازش شبکه های اجتماعی با هزینه ی متناسب یکی از دغدغه های کنونی است. الگوریتم های نمونه برداری یکی از این نوع الگوریتم های قابل توجیه در کاربردهای واقعی هستند چرا که هزینه و زمان آنها در مقابل دقت، مقیاس پذیر است. در مقاله ی حاضر تلاش شده است الگوریتمی با کاربرد واقعی معرفی شود که بتواند گرافی خلاصه ارائه دهد که بتوان از آن پذیرنده های اولیه و فرایند مستمر انتشار را استنباط کرد. این الگوریتم مبتنی بر روش های مونت کارلو، نمونه برداری تصادفی و پردازش به کمک ماتریس مارکوف است. آزمایش های انجام شده روی گرافی با داده های شبیه سازی شده انجام می شود تا کیفیت الگوریتم اثبات شود.

Keywords:

خلاصه سازی , ساختاری , پذیرنده های اولیه , تأثیرگذاری , بازاریابی ویروسی , اتوماتای یادگیری