|
Title
|
یک رویکرد نوین حداکثرسازی نفوذ در شبکه های چندلایه با استفاده از تکنیک های یادگیری عمیق گراف محور و وزن دهی لایه
|
|
Type of Research
|
Thesis
|
|
Keywords
|
حداکثرسازی نفوذ، شبکه های چندلایه، یادگیری عمیق گراف محور، بازنمایی گره، وزن دهی لایه
|
|
Abstract
|
شبکه های اجتماعی آنلاین به بستر مهمی برای مردم برای برقراری ارتباط، به اشتراک گذاری دانش و انتشار اطلاعات تبدیل شده اند. افزایش محبوبیت این شبکه ها، فرصت های جدیدی را برای کاربردهای عملی متنوع ایجاد کرده است . مسئله حداکثرسازی نفوذ به عنوان یک استراتژی برای شناسایی و بهره گیری از افراد با نفوذ در زمینه های تجاری (مانند بازاریابی ویروسی)، تأثیرات مثبت بر سیاست گذاری ها، بهبود سیستم های توصیه گر، کنترل شایعات، انتشار اطلاعات و مدیریت بیماری ها مطرح شده است . در این راستا، هدف اصلی یافتن مجموعه ای بهینه از گره های بذر با حداکثر اندازه ( k ) است، به گونه ای که بیشترین تعداد گره های فعال شده توسط این مجموعه، که به عنوان گسترش نفوذ آن ها شناخته می شود، حاصل شود .
با شناسایی و محدود کردن نفوذ افرادی که مسئول انتشار شایعات در شبکه های اجتماعی هستند، می توان آسیب های ناشی از شایعات را به جوامع کنترل کرد. یکی دیگر از کاربردهای کلیدی حداکثرسازی نفوذ، بازاریابی ویروسی است که از طریق شبکه های اجتماعی برای افزایش آگاهی از محصولات جدید و تقویت درآمدزایی ضروری شده است. در بازاریابی ویروسی، انتخاب افرادی که بیشترین تأثیر را دارند، اهمیت بالایی دارد. به عنوان مثال، اگر یک شرکت قصد دارد محصول جدیدی را از طریق اثرات دهان به دهان در شبکه های اجتماعی معرفی کند، باید اینفلوئنسرها را شناسایی کرده و آن ها را متقاعد سازد تا محصول جدید را بپذیرند. هدف این است که اینفلوئنسرهای انتخاب شده، اثر آبشاری گسترده ای در شبکه ایجاد کنند و دیگران را به استفاده از محصول جدید ترغیب نمایند. بنابراین، انتشار به معنای انتقال اطلاعات بین افراد است، مشابه گسترش ویروس ها . استفاده از تحلیل نفوذ می تواند به کاهش هزینه های اقتصادی و نیروی کار کمک کند، در حالی که سودآوری در توصیه های اجتماعی، نظارت بر شبکه و مراقبت های بهداشتی را بهبود می بخشد. در نتیجه، مسئله حداکثرسازی نفوذ، که در جستجوی بهترین افراد تأثیرگذار برای افزایش نفوذ است، می تواند به حل چالش های متعدد در زندگی روزمره کمک شایانی نماید.
|
|
Researchers
|
(Student)، Asgarali Bouyer (Primary Advisor)، Jalil Ghavidel Neycharan (Advisor)
|