کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946101 1439268 2017 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Predicting information diffusion probabilities in social networks: A Bayesian networks based approach
ترجمه فارسی عنوان
پیش بینی احتمال انتشار اطلاعات در شبکه های اجتماعی: یک رویکرد مبتنی بر شبکه های بیزی
کلمات کلیدی
تجزیه و تحلیل شبکه شبکه، انتشار اطلاعات، شبکه پخش مدل سازی بیزی احتمال نفوذ،
ترجمه چکیده
در چند سال گذشته، شبکه های اجتماعی به طور قابل توجهی به حضور آنلاین کاربران کمک کرده اند. این شبکه های اجتماعی میزبان تعدادی از پدیده های ویروسی هستند. این توجه زیادی را از سوی محققان و بازاریابان مختلف در سراسر جهان به ارمغان آورده است. بخش بزرگی از مطالعات انجام شده در زمینه انتشار اطلاعات از طریق شبکه های اجتماعی بر مساله حداکثر سازی نفوذ متمرکز شده است. این روش ها نیازمند انتشار احتمالی مرتبط با لینک ها در شبکه های اجتماعی هستند که به عنوان ورودی ارائه می شوند. با این حال، مسئله محاسبه این احتمال انتشار به عنوان مسئله حداکثر سازی نفوذ به اندازه کافی مورد بررسی قرار نگرفته است. در این مقاله، ما با مشکل پیش بینی احتمال انتشار یک پیام از طریق لینک های یک شبکه اجتماعی روبرو می شویم. این مقاله یک رویکرد مبتنی بر شبکه بیزی برای حل این مشکل ارائه می دهد. علاوه بر ویژگی های مربوط به شبکه اجتماعی، این چارچوب مبتنی بر یادگیری ماشین بوستون از مزایای کاربر و شباهت محتوایی با استفاده از اطلاعات موضوع پنهان استفاده می کند. ما روش پیشنهادی را با استفاده از داده های به دست آمده از پلت فرم شناخته شده شبکه اجتماعی - توییتر ارزیابی می کنیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
پیش بینی احتمال انتشار اطلاعات در شبکه های اجتماعی: یک رویکرد مبتنی بر شبکه های بیزی
چکیده انگلیسی
In past few years, social networking has significantly contributed to online presence of users. These social networks are hosts to a number of viral phenomena. This has fetched a lot of attention from various researchers and marketers all over the world. Major portion of the studies done in the field of information diffusion through social networks has focused on the problem of influence maximization. These methods demand the diffusion probabilities associated with the links in the social networks to be provided as inputs. However, the problem of computing these diffusion probabilities has not been as widely explored as the problem of influence maximization. In this paper, we tackle the problem of predicting the probabilities of diffusion of a message through the links of a social network. This paper presents a Bayesian network based approach for solving the aforesaid problem. In addition to the features related to the social network, this machine learning based Bayesian framework utilizes user interests and content similarity modeled using the latent topic information. We evaluate the proposed method using the data obtained from the well-known social network platform - Twitter.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 133, 1 October 2017, Pages 66-76
نویسندگان
, , ,