دانلود ترجمه مقاله یافتن افراد مؤثر در شبکه های اجتماعی با الگوریتم تکاملی

1. مقدمه 2. تحقیقات مرتبط 3. فرآیند آزمایشگاهی 4. نتایج و بحث و بررسی 5. نتیجه‌گیری و تحقیقات آینده

چکیده – مسئله حداکثر شدن تأثیر در شبکه‌های اجتماعی به‌عنوان یک موضوع تحقیقاتی مهم در طی سالیان طولانی در نظر گرفته‌شده است، زیرا این موضوع تأثیر عمیقی بر جامعه دارد. با توجه به این که می‌توان تأثیر اجتماعی را برای اهداف زیادی از جمله بازاریابی، سیاست و گسترش نوآوری به حداکثر رساند، ذی نفعان زیادی وجود دارند که علاقه‌مند به پیشرفت در این حوزه هستند. همان‌طور که نشان داده‌شده است، در مورد بیشتر موارد، یافتن یک مجموعه بذر بهینه به‌عنوان یک مسئله NP- دشوار محسوب می‌شود، به همین دلیل الگوریتم اکتشافی مختلفی از زبان بیان مسئله ظهور کرده‌اند. در این تحقیق، ما به بررسی کارایی الگوریتم تکاملی جهت حداکثر کردن تأثیر می‌پردازیم. آزمایش‌های انجام‌شده با استفاده از شبکه‌های اجتماعی مصنوعی و واقعی و مدل تأثیر آستانه خطی نشان می‌دهند که این روش تنها از دقت و سرعت برخوردار است، بلکه برخی دیگر از ویژگی‌های جالب همانند قابلیت انتظار پارامترهای خود به دیگر پایگاه‌های داده را داراست. با خلاصه‌سازی نتایج، مشاهده شد که الگوریتم تکاملی نه تنها عملکرد خود را هنگام محدود کردن زمان خود با ضریب دو برای بیشتر مجموعه داده‌ها از دست نداده است، بلکه می‌توان همبستگی بالایی از مجموعه پارامترهای رتبه‌بندی شده استفاده‌شده برای الگوریتم تکاملی به میزان 0.9 را یافت. به‌طور کلی، این ویژگی‌های ترکیب‌شده موجب می‌شوند تا این روش به‌عنوان یک‌ جهت‌گیری تحقیقاتی جالب جهت حداکثر شدن تأثیر محسوب شود.

The social influence maximization problem is an important research topic for many years since it has a tremendous impact on society. As social influence can be maximized for many purposes, such as marketing, politics, spreading innovations, there are many stakeholders interested in progress in this area. As it has been shown, for most settings finding an optimal seed set is an NP-hard problem, this is why various heuristics started to emerge since the statement of the problem. In this work, we explore the applicability of evolutionary algorithm for influence maximization. The experiments conducted using real and artificial social networks and the linear threshold influence model show that this approach offers not only speed and accuracy. Also, some other interesting features have been found, such as the transferability of its parameters to other datasets. Summarizing the results, it was observed that the evolutionary algorithm does not lose its performance when limiting its time by the factor of two and for most datasets, we obtained a high correlation of ranked parameters’ sets used for the evolutionary algorithm, typically around 0.9. Overall, these features combined make this approach an interesting research direction for influence maximization.

بخشی از ترجمه مقاله (صفحه 16 فایل ورد ترجمه)