A particle-learning-based approach to estimate the influence matrix of online social networks

دانستن میزان نفوذ یک نماینده بر عامل های دیگر بر روی شبکه های اجتماعی آنلاین مانند توییتر و فیس بوک مهم است، زیرا این امر به شناسایی رهبران عقیده کمک می کند و پیش بینی می کند که چگونه عقاید به احتمال زیاد در حال تکامل هستند. با این حال، این اطلاعات در مورد میزان نفوذ اعمال شده توسط عوامل در مورد دیگر، بدست آوردن مشکل است زیرا آن را غیر قابل مشاهده می کند و داده های موجود برای برآورد آن کمی، اغلب ناقص و پر سر و صدا است. علاوه بر این، تعداد پارامترهای ناشناخته که باید تخمین بزنند تا میزان نفوذ بین هر یک از دو عامل عامل تعیین شود، بسیار زیاد است. الگوریتم مبتنی بر ذره ای برای تخمینی ماتریس نفوذ پیشنهاد شده است که نشان دهنده میزان نفوذ هر عامل در هر یک از دیگر شبکه های اجتماعی است. مطالعات محاسباتی برای تعیین کارایی، نرخ یادگیری و خواص نسبی و استحکام (به اطلاعات از دست رفته) الگوریتم های یادگیری ذرات پیشنهاد شده استفاده شده است. نتایج نشان می دهد که الگوریتم پیشنهاد شده نشان می دهد که نرخ همگرایی سریع، برآوردهای کارآمد ماتریس تاثیر، مقیاس پذیری و اطلاعات ناقص قوی است. علاوه بر این، توپولوژی شبکه، و نه فقط اندازه شبکه، سرعت یادگیری را تحت تاثیر قرار می دهد. میزان یادگیری نیز کاهش می یابد، زیرا درصد از دست رفته اطلاعات افزایش می یابد.