دانلود مقاله ترجمه شده مدلینگ پخش اطلاعات از طریق شبکه های اجتماعی به منظور پیش بینی زمانی پویا (IEEE 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

مدلینگ پخش اطلاعات از طریق شبکه های اجتماعی به منظور پیش بینی زمانی پویا

Modeling Information Diffusion over Social Networks for Temporal Dynamic Prediction

چکیده
1- مقدمه
2- تدوین مساله
3- مدل پیشنهادی
4- الگوریتم ها
4-1- الگوریتم های یادگیری
5- آزمایشات
5-1- شرایط آزمایشی
5-2- عملکرد پیش بینی
6- نتیجه گیری
منابع

چکیده

نحوه مدلسازی فرآیند انتشار اطلاعات در شبکه های اجتماعی، کار تحقیقاتی حیاتی شمرده می شود. اگر چه تلاش های متعددی برای این مطالعه صورت پذیرفته است اما تعداد کمی از آن ها قادر به شبیه سازی و پیش بینی پویایی زمانی فرآیند انتشار هستند. برای رفع این مشکل، ما مدل انتشار اطلاعات جدیدی (مدل GT) را پیشنهاد نمودیم که کاربران شبکه را عوامل هوشمندی تلقی می نماید. این عوامل به اتفاق همه همسایه های تعاملگر خود را لحاظ نموده و بازده گزینه های مختلف خود را برای تصمیمات استراتژیک محاسبه می کنند. ما فاکتور زمانی را وارد بازده کاربر نموده که در نتیجه آن، مدل GT نه تنها قادر به پیش بینی رفتار یک کاربر خواهد بود بلکه زمان بروز رفتار مزبور را نیز پیش بینی می نماید. هم اثرگذاری کلی و هم اثرگذاری اجتماعی در محاسبه بازده وابسته به زمان مورد کنکاش قرار گرفتند که در آن روش جدید بازنمایی اثرگذاری اجتماعی برای شناخت کامل خواص زمانی پویا اثرگذاری اجتماعی بین کاربران طراحی گشته است. نتایج تجربی مربوط به سینا ویبو و فلیکر، اثربخشی روش های ما را تایید نمودند.

6- نتیجه گیری

ما در مقاله حاضر به ارائه مدل انتشار اطلاعات جدیدی پرداختیم. این مدل، کاربران شبکه اجتماعی را عوامل هوشمندی تلقی نموده و متفقاً همه کاربران تعامل کننده را در پیش بینی استراتژیک لحاظ می نماید. با معرفی بازده وابسته به زمان، مدل از قابلیت پیش بینی پویایی زمانی فرآیند انتشار اطلاعات برخوردار می باشد. هم اثرگذاری کلی و هم اثرگذاری اجتماعی برای محاسبه بازده کاربران بررسی می گردند که در آن روش بازنمایی اثرگذاری اجتماعی به تازگی برای درک کامل پویایی زمانی آن طراحی شده است. نتایج تجربی منطقی بودن و اثربخشی مدل پیشنهادی را تایید می نمایند.

Abstract

Modeling the process of information diffusion is a challenging problem. Although numerous attempts have been made in order to solve this problem, very few studies are actually able to simulate and predict temporal dynamics of the diffusion process. In this paper, we propose a novel information diffusion model, namely GT model, which treats the nodes of a network as intelligent and rational agents and then calculates their corresponding payoffs, given different choices to make strategic decisions. By introducing time-related payoffs based on the diffusion data, the proposed GT model can be used to predict whether or not the user’s behaviors will occur in a specific time interval. The user’s payoff can be divided into two parts: social payoff from the user’s social contacts and preference payoff from the user’s idiosyncratic preference. We here exploit the global influence of the user and the social influence between any two users to accurately calculate the social payoff. In addition, we develop a new method of presenting social influence that can fully capture the temporal dynamics of social influence. Experimental results from two different datasets, Sina Weibo and Flickr demonstrate the rationality and effectiveness of the proposed prediction method with different evaluation metrics.

6- CONCLUSION

We have presented a novel information diffusion model in this paper. It regards the users in a social network as intelligent agents, and jointly considers all the interacting users to make strategic prediction. By introducing the timedependent payoffs, the model has the capability to predict the temporal dynamics of information diffusion process. Both the global influence and social influence are explored for user payoff calculation, where the social influence representation method is newly designed for fully capturing its temporal dynamics. Experimental results have confirmed the rationality and effectiveness of the proposed model.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مدلینگ پخش اطلاعات از طریق شبکه های اجتماعی به منظور پیش بینی زمانی پویا

Modeling Information Diffusion over Social Networks for Temporal Dynamic Prediction