دانلود ترجمه مقاله بهینه سازی چندهدفه تکاملی برای هدف قرار دادن شبکه اجتماعی (ساینس دایرکت – الزویر ۲۰۲۰)

 

 

این مقاله انگلیسی ISI در نشریه الزویر در سال ۲۰۲۰ منتشر شده که ۳۶ صفحه می باشد، ترجمه فارسی آن نیز ۲۹ صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

بهینه سازی چندهدفه تکاملی برای هدف قرار دادن شبکه اجتماعی موثر در بازاریابی ویروسی

عنوان انگلیسی مقاله:

Evolutionary Multiobjective Optimization to Target Social Network Influential in Viral Marketing

 

 

مشخصات مقاله انگلیسی 
نشریه ساینس دایرکت، الزویر – (Sciencedirect – Elsevier)
سال انتشار ۲۰۲۰
فرمت مقاله انگلیسی pdf
تعداد صفحات مقاله انگلیسی ۳۶ صفحه
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر – فناوری اطلاعات – مدیریت
گرایش های مرتبط با این مقاله بازاریابی – مدیریت بازرگانی – مدیریت فناوری اطلاعات – اینترنت و شبکه های گسترده – مهندسی الگوریتم ها و محاسبات
چاپ شده در مجله (ژورنال) Expert Systems With Applications
کلمات کلیدی بازاریابی ویروسی – بیشینه سازی نفوذ – هدف گیری عوامل نفوذ – شبکه های اجتماعی – بهینه سازی چندهدفه تکاملی – مدلسازی مبتنی بر عامل
کلمات کلیدی انگلیسی Viral Marketing – Influence Maximization – Influentials Targeting – Social Networks – Evolutionary Multiobjective Optimization – Agent-based Modeling
نویسندگان Juan Francisco Robles – Manuel Chica – Oscar Cordon
شناسه شاپا یا ISSN ۰۹۵۷-۴۱۷۴
شناسه دیجیتال – doi https://doi.org/10.1016/j.eswa.2020.113183
لینک سایت مرجع https://www.sciencedirect.com/science/article/abs/pii/S0957417420300099
ایمپکت فاکتور (IF) مجله ۹٫۶۰۲ در سال ۲۰۲۱
شاخص H_index مجله ۲۲۵ در سال ۲۰۲۲
شاخص SJR مجله ۲٫۰۷۰ در سال ۲۰۲۱
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۲۱
بیس نیست
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
فرضیه ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۲۴۹۹

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله ورد تایپ شده با قابلیت ویرایش و pdf
وضعیت ترجمه ترجمه شده و آماده دانلود
کیفیت ترجمه عالی (مناسب استفاده دانشگاهی و پژوهشی)
تعداد صفحات ترجمه  ۲۹ (۲ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه نشده است
ترجمه متون داخل جداول ترجمه نشده است
ترجمه ضمیمه ندارد 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است
منابع داخل متن ترجمه و درج شده است
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده

۱- مقدمه

۲- آخرین تکنولوژی در بازاریابی ویروسی

۳- مدل شبیه سازی بازار مبتنی بر عامل

۴- مساله بهینه سازی بازاریابی ویروسی چند هدفه

۵- روش های بهینه سازی چند هدفه تکاملی برای انتخاب عوامل نفود

۶- آزمایش ها و نتایج تحلیل

۷- نتایج مهم و محدودیت های تحقیق

منابع

 

بخشی از ترجمه

چکیده

اگر بازاریابان به طور موثر عوامل نفوذ شبکه های اجتماعی را هدف گیری کنند، از دارایی مهمی برخوردار می شوند. بازاریابان می توانند محصولات یا خدمات را یا با برنامه های رایگان یا تخفیفات تبلیغات کنند تا دیدگاه های مثبت را به سایر مصرف کنندگان گسترش دهند(به طور مثال، بازاریابی دهان به دهان). با این وجود، بیشتر تحقیقات در زمینه انتخاب بهترین عوامل نفوذ برای هدف گیری تک هدفه است و عمدتا بر بیشینه سازی درآمد فروش تمرکز دارد. در این مقاله، ما رویکردی چند هدفه جهت تاثیر بر مساله بیشینه سازی ارائه می دهیم که هدف آن افزایش درآمد کمپین های بازاریابی ویروسی است در حالیکه هزینه ها کاهش یابد. با استفاده از معیارهای شبکه اجتماعی محلی برای تعیین عوامل نفوذ، از دو الگوریتم بهینه سازی چندهدفه تکاملی، NSGA-II و MOEA/D ، تطبیق چندهدفه از یک الگوریتم ژنتیک تک هدفه و یک الگوریتم حریصانه استفاده می کنیم. طرح پیشنهادی ما از یک چارچوب بازار واقعی مبتنی بر عامل استفاده می کند تا تناسب کروموزوم ها را با استفاده از شبیه سازی کمپین های ویروسی، ارزیابی کند. این چارچوب نیز در یک چرخه عملیاتی مجزا، مجموعه ای از راه حل های غیرغالب ایجاد می کند که بازاریابان را قادر می سازد تا در یک چرخه عملیاتی مجزا، گزینه های هدف گیری چندگانه را در نظر بگیرند. این الگوریتم ها بر اساس پنج توپولوژی شبکه و شبکه اجتماعی ایجاد داده های واقعی، ارزیابی می شوند، که نشان می دهد MOEA/D و NSGA-II بهتر از رویکردهای تک هدفه و حریصانه هستند. جالب تر اینکه، نشان می دهیم که بین عملکرد الگوریتم ها و ویژگی های انتشار شبکه های اجتماعی، ارتباط آشکاری وجود دارد.

 

۲- آخرین تکنولوژی در بازاریابی ویروسی
     کاربردIM در شبکه های اجتماعی برای مساله بهینه سازی اولین بار توسط دومینگوس و ریچاردسون(۲۰۰۱) معرفی شد. سپس، کامپل و همکاران(۲۰۰۳) نشان دادند که برای بیشتر مدل های تبلیغاتی مطرح شده، IM در اصل یک مساله بهینه سازی دشوار NP است. این مدل ها شامل مدل خطی آستانه ای، مدل آبشاری موزون، مدل آبشاری مستقل بودند. مدل آبشاری مستقل، برای مدلسازی تاثیراتی که تعاملات سطح خرد بازاریابی دهان به دهان بر بازاریابی سطح کلان دارد، (گولدنبرگ و همکاران، ۲۰۰۱) و تعیین ریشه های روابط بین IM و VM ایجاد شد.

 

     کمپل و همکاران در مقاله اصلی خود، برای حل مساله IM ، الگوریتم تپه نوردی حریصانه را پیشنهاد دادند که شامل تضمین تقریب بهینگی برای هر سه نوع مدل آبشاری بود. با اینحال، الگوریتم ابتکاری حریصانه نواقصی داشت: ۱) مدت زمان اجرای زیاد آن( به خاطر این واقعیت که تابع انتخاب حریصانه نیاز به ایجاد تابع هدف دارد تا هر گره منتخب در هر مرحله از الگوریتم بهینه باشد) و ۲) به دانش جهانی در زمینه شبکه نیاز است. در نتیجه، نویسندگان نیز بر اساس معیارهای شبکه اجتماعی مانند معیار درجه و نزدیکی چند مدل ابتکاری حریصانه پیشنهاد کردند. این الگوریتم ها با انتخاب توابع مبتنی بر شاخص های محاسبه سریع ، ساختار حریصانه معمول تری دارند که با مدل هایی که در تابع هدف استفاده شده اند، فرق دارد. در این مورد، برای ایجاد یک راه حل، گره های یک شبکه اجتماعی در یک ترتیب کاهشی از معیار درجه و نزدیکی، به عنوان بذر انتخاب می شوند. در آخر، این راه حل در شبیه سازی مونت کارلو از مدل آبشاری مستقل ارزیابی می شود تا مقدار گسترش تاثیر، بدست آید. هنگامی که معیار مطرح شده، درجه گره باشد، به این الگوریتم، الگوریتم ابتکاری درجه بالا می گویند.

 

     در قسمت های بعدی، برخی از ویژگی های اولین الگوریتم های حریصانه بیان می شوند. به ویژه، لسکاوک و همکاران(۲۰۰۷) انتخاب رو به جلو آهسته مقرون به صرفه را معرفی کردند که برای کاهش معنادار زمان اجرای الگوریتم تپه نوردی حریصانه از ویژگی های نیمه مدولار استفاده می کند. منطقی است که گسترش هر گره به صورت قیاسی محاسبه شود و تنها به محاسبه مجدد تعداد کمی از این گره ها نیازاست. ضمنا، چن و همکاران(۲۰۰۹) برای بهینه سازی ابتکاری درجه بالا، از مفهوم ابتکاری کاهشی استفاده کردند. تابع انتخاب حریصانه تعداد بین گره های تحت تاثیر را در نظر می گیرد و گره هایی که بوسیله گره های منتخب آغازین گسترش یافته اند را در نظر نمی گیرد.

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا