توضیحات

تحقیق بیشینه سازی تاثیر (نفوذ) در شبکه های اجتماعی

چکیده

شبکه های اجتماعی در دنيای امروز نقش اساسی در گسترش اطلاعات دارند. پس از پا به عرصه گذاشتن شبکه های اجتماعی بازارهای جديد و روش های جديد کسب و کار در دنيای اينترنت به وجود آمد. شبکه های اجتماعی نقش بسیار مهمی به عنوان واسطه ای برای انتشار اطلاعات ایفا می کنند. امروزه شمار كثيري از كاربران با اهداف مختلف در شبكه هاي اجتماعي عضو شده و به فعاليت هاي گوناگون مي پردازند. از سوي ديگر اين كاربران بر يكديگر تاثير مي گذارند كه نقش و تاثيرگذاري كاربران مختلف يكسان نيست. برخي از اين كاربران به دلايل مختلفي از جمله موقعيت شغلي، ميزان تحصيلات يا نوشته هاي جذاب، تاثير بيشتري بر كاربران ديگر دارند. اين كاربران كه ما از آن ها به عنوان گره هاي با تاثیر نام مي بريم مي توانند نظر و ديدگاه كاربران زيادي را تغيير داده و به سمت و سوي خاصي سوق دهند. یکی از مسائل کلیدی به منظور یافتن گره های تاثیر گذار، بیشینه سازی تاثیر (نفوذ) در شبکه های اجتماعی است که مورد توجه بسیاری از دانشمندان کامپیوتر، فناوری اطلاعات و متخصصین بازاریابی و تجارت قرار گرفته است. به منظور بیشینه سازی تاثیر در شبکه های اجتماعی الگوریتم های مختلفی ارائه شده است.

در این تحقیق به بررسی بیشینه سازی نفوذ در شبکه های اجتماعی و انواع الگوریتم های مطرح شده پرداخته می شود.

کلمات کلیدی: شبکه های اجتماعی، گره های تاثیر گذار، گسترش نفوذ.

فهرست مطالب تحقیق بیشینه سازی تاثیر (نفوذ) در شبکه های اجتماعی

فصل اول: کلیات تحقیق
1-1 بیان مسئله. 2
1-2 اهداف و ضرورت تحقیق.. 3
1-3 ساختار تحقیق.. 4
فصل سوم: پیشینه تحقیق
2-1 مقدمه. 6
2-2 الگوریتم های اکتشافی.. 6
2-3 الگوریتم های حریصانه. 8
2-4 مرکزیت درجه. 11
2-5 شباهت معنایی.. 11
2-6 داده کاوی.. 13
2-7 رایانش ابری.. 14
فصل سوم: شبکه های اجتماعی
3-1 مقدمه. 17
3-2 تعریف شبکه های اجتماعی.. 18
3-3 تاریخچه شبکه های اجتماعی.. 21
3-4 شبکه های اجتماعی عمومی و تخصصی.. 22
3-5 قابلیت های شبکه های اجتماعی.. 23
3-6 ویژگی‌های شبکه‌های اجتماعی.. 24
3-7 شبکه‌های اجتماعی و حریم خصوصی.. 26
3-8 انواع محتوا در شبکه های اجتماعی.. 27
فصل چهارم: بیشینه سازی وسعت تاثیر در شبکه های اجتماعی
4-1 مقدمه. 30
4-2 گره در نظریه گرافها 32
4-3 روش‌های ریاضی حل مسئله. 33
4-4 تحلیل شبکه های اجتماعی.. 35
4-5 معیارهای گره 36
4-5-1 مرکزیت درجه. 37
4-5-2 مركزيت نزديكي.. 37
4-5-3 مرکزیت بینابینی.. 38
4-5-4 مرکزیت نیمه محلی.. 38
4-6 داده هاي مورد استفاده به منظور شناسایی گره های تاثیرگذار. 39
4-7 گسترش در شبکه های اجتماعی.. 40
4-8 مدلهای بررسی گسترش در شبکه های اجتماعی.. 41
4-8-1 مدل اثرگذاری.. 41
4-8-2 مدل حد آستانه عمومی.. 45
4-8-3 حدآستانه های بيشين.. 45
4-8-4 حدآستانه های متحد. 45
4-8-5 مدل انتشار عمومی.. 46
4-8-6 مدل رای دهنده. 46
4-9 قانون قدرت.. 47
فصل پنجم: نتیجه گیری
نتیجه گیری ……………………………………………………………………………………………………………………49
منابع ………………………………………………………………………………………………………………….. 51

منابع تحقیق بیشینه سازی تاثیر (نفوذ) در شبکه های اجتماعی

[1] Chen, W., Wang, Y. and Yang, S., 2009, June. Efficient influence maximization in social networks. In Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 199-208). ACM.

[2] Chen, Y.C., Peng, W.C. and Lee, S.Y., 2012. Efficient algorithms for influence maximization in social networks. Knowledge and information systems, 33(3), pp.577-601.

[3] Saito, K., Kimura, M. and Motoda, H., 2009, October. Discovering influential nodes for SIS models in social networks. In International Conference on Discovery Science (pp. 302-316). Springer Berlin Heidelberg.

[4] Wang, C., Chen, W. and Wang, Y., 2012. Scalable influence maximization for independent cascade model in large-scale social networks. Data Mining and Knowledge Discovery, 25(3), pp.545-576.

[5] Mehmood, Y., Barbieri, N., Bonchi, F. and Ukkonen, A., 2013, September. Csi: Community-level social influence analysis. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases(pp. 48-63). Springer Berlin Heidelberg.

[6] Zhou, C., Zhang, P., Guo, J. and Guo, L., 2014, April. An upper bound based greedy algorithm for mining top-k influential nodes in social networks. InProceedings of the 23rd International Conference on World Wide Web (pp. 421-422). ACM.

[7] Han, M., Yan, M., Cai, Z. and Li, Y., 2016. An exploration of broader influence maximization in timeliness networks with opportunistic selection.Journal of Network and Computer Applications, 63, pp.39-49.

[8] Xu, K., Guo, X., Li, J., Lau, R.Y. and Liao, S.S., 2012. Discovering target groups in social networking sites: An effective method for maximizing joint influential power. Electronic Commerce Research and Applications, 11(4), pp.318-334.

[9] Cheng, S., Shen, H., Huang, J., Zhang, G. and Cheng, X., 2013, October. Staticgreedy: solving the scalability-accuracy dilemma in influence maximization. In Proceedings of the 22nd ACM international conference on Information & Knowledge Management (pp. 509-518). ACM.

[10] Kimura, M., Saito, K., Nakano, R. and Motoda, H., 2010. Extracting influential nodes on a social network for information diffusion. Data Mining and Knowledge Discovery, 20(1), pp.70-97.

[11] Lü, L., Zhang, Y.C., Yeung, C.H. and Zhou, T., 2011. Leaders in social networks, the delicious case. PloS one, 6(6), p.e21202.

[12] Chakrabarti, S., Dom, B., Raghavan, P., Rajagopalan, S., Gibson, D. and Kleinberg, J., 1998. Automatic resource compilation by analyzing hyperlink structure and associated text. Computer Networks and ISDN Systems,30(1), pp.65-74.

[13] Chen, D., Lü, L., Shang, M.S., Zhang, Y.C. and Zhou, T., 2012. Identifying influential nodes in complex networks. Physica a: Statistical mechanics and its applications, 391(4), pp.1777-1787.

[14] Domingos, P. and Richardson, M., 2001, August. Mining the network value of customers. In Proceedings of the seventh ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 57-66). ACM.

[15] Richardson, M. and Domingos, P., 2002, July. Mining knowledge-sharing sites for viral marketing. In Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 61-70). ACM.

[16] Kempe, D., Kleinberg, J. and Tardos, É., 2003, August. Maximizing the spread of influence through a social network. In Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 137-146). ACM.

[17] Leskovec, J., Krause, A., Guestrin, C., Faloutsos, C., VanBriesen, J. and Glance, N., 2007, August. Cost-effective outbreak detection in networks. InProceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 420-429). ACM.

[18] Chen, W., Wang, Y. and Yang, S., 2009, June. Efficient influence maximization in social networks. In Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 199-208). ACM.

[19] Wang, Y., Cong, G., Song, G. and Xie, K., 2010, July. Community-based greedy algorithm for mining top-k influential nodes in mobile social networks. In Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 1039-1048). ACM.

[20] Luo, Z.L., Cai, W.D., Li, Y.J. and Peng, D., 2012. A pagerank-based heuristic algorithm for influence maximization in the social network. In Recent Progress in Data Engineering and Internet Technology (pp. 485-490). Springer Berlin Heidelberg.

[21] Kimura, M., Saito, K. and Nakano, R., 2007, July. Extracting influential nodes for information diffusion on a social network. In AAAI (Vol. 7, pp. 1371-1376).

[22] Biran, O., Rosenthal, S., Andreas, J., McKeown, K. and Rambow, O., 2012, June. Detecting influencers in written online conversations. In Proceedings of the Second Workshop on Language in Social Media (pp. 37-45). Association for Computational Linguistics.

توجه:

تحقیق بیشینه سازی تاثیر (نفوذ) در شبکه های اجتماعی شامل یک فایل ورد 59 صفحه ای می باشد

لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.