بترکه چشم حسود    

جستجوی پیشرفته مقالات

     عنوان:

نماد اعتماد الکترونیکی

لیست مقالات ترجمه شده

سایر مقالات

امروز
دیروز
هفته جاری
هفته گذشته
ماه جاری
ماه گذشته
بازدید کل
5538
23099
113571
16404402
505015
496149
16894150

آی‌پی شما: 54.225.24.249
امروز: جمعه، 10 فروردين 1403 شمسی ساعت به وقت گرینویچ: 08:01:21

توجه                           توجه

تمامی مقالات ترجمه شده در قالب فایل ورد (Word)  ارائه می‌شوند.



بیشینه سازی نفوذ مقیاس پذیر برای بازاریابی ویروسی شایع در شبکه های اجتماعی مقیاس بزرگ

لینک دانلود فایل خریداری شده، بلافاصله بعد از پرداخت آنلاین فعال می‌شود.

عنوان محصول:
بیشینه سازی نفوذ مقیاس پذیر برای بازاریابی ویروسی شایع در شبکه های اجتماعی مقیاس بزرگ



قیمت: 340000 ریال

  دسته‌بندی: مقالات شبکه

Scalable Influence Maximization for Prevalent Viral Marketing in Large-Scale Social Networks

 

ABSTRACT

Influence maximization, defined by Kempe, Kleinberg, and Tardos (2003), is the problem of finding a small set of seed nodes in a social network that maximizes the spread of influence under certain influence cascade models. The scalability of influence maximization is a key factor for enabling prevalent viral marketing in largescale online social networks. Prior solutions, such as the greedy algorithm of Kempe et al. (2003) and its improvements are slow and not scalable, while other heuristic algorithms do not provide consistently good performance on influence spreads. In this paper, we design a new heuristic algorithm that is easily scalable to millions of nodes and edges in our experiments. Our algorithm has a simple tunable parameter for users to control the balance between the running time and the influence spread of the algorithm. Our results from extensive simulations on several real-world and synthetic networks demonstrate that our algorithm is currently the best scalable solution to the influence maximization problem: (a) our algorithm scales beyond million-sized graphs where the greedy algorithm becomes infeasible, and (b) in all size ranges, our algorithm performs consistently well in influence spread—it is always among the best algorithms, and in most cases it significantly outperforms all other scalable heuristics to as much as 100%–260% increase in influence spread.

 

 

pdfدانلود رایگان مقاله انگلیسی                               746.27 KB

 

چکیده
بیشینه¬سازی نفوذ، تعریف شده توسط کمپ، کلینبرگ و تاردوس (2003) ، مسئله پیدا کردن یک مجموعه کوچک از گره های بذر، در شبکه های اجتماعی است که گسترش نفوذ را تحت مدل های نفوذ آبشاری به حداکثر برساند. مقیاس پذیری بیشینه سازی نفوذ، یک فاکتور کلیدی برای امکان پذیر ساختن بازاریابی ویروسی شایع در شبکه های اجتماعی آنلاین با مقیاس بزرگ است. راه حل های سابق مانند الگوریتم حریصانه ی گروه تحقیقاتی کمپ (2003) و بهبودهایش کند بوده و مقیاس پذیر نیستند، در حالیکه سایر الگوریتم های هیوریستیک بطور سازگار کارایی خوب روی گسترش های نفوذ فراهم نمی سازند. در این مقاله، یک الگوریتم هیوریستیک جدیدی طراحی می کنیم که براحتی برای میلیون ها گره و یال در آزمایش هایمان مقیاس پذیر است. الگوریتم ما دارای یک پارامتر قابل تنظیم ساده برای کاربران جهت کنترل توازن بین زمان اجرا و گسترش نفوذ الگوریتم است. نتایج ما از شبیه سازی های گسترده روی شبکه های متعدد دنیای واقعی و ترکیبی نشان می دهند که الگوریتم ما بهترین راه حل مقیاس پذیر برای مسئله بیشینه سازی نفوذ است: (الف) الگوریتم ما فراتر از گراف هایی با اندازه میلیونی مقیاس بندی می شود، جاییکه الگوریتم حریصانه غیرممکن می گردد و (ب) در تمام بازه های اندازه، الگوریتم ما در گسترش نفوذ بطور سازگار خوب عمل می کند – همیشه در میان بهترین الگوریتم ها است و در اکثر موارد بطور قابل توجهی بهتر از سایر هیوریستیک های مقیاس پذیر تا 260-100 % افزایش در گسترش نفوذ عمل می کند.
کلمات کلیدی: بیشینه سازی نفوذ، شبکه های اجتماعی، بازاریابی ویروسی

 

تعداد صفحات مقاله انگلیسی: 10 صفحه
تعداد صفحات مقاله فارسی: 37 صفحه
نوع فایل: ورد

اضافه کردن نظر