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

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

Evolutionary Multiobjective Optimization to Target Social Network Influential in Viral Marketing

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

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.