19146

۱۹۱۴۶

ارائه روشي براي تشخيص گره‌هاي تأثيرگذار در شبكه‌هاي اجتماعي پيچيده بر پايه شناسايي انجمن

كارشناسي ارشد

فناوري اطلاعات - تجارت الكترونيكي

۱۳۹۴-۱۳۹۷

۱۳۹۷/۰۲/۰۴

دكتر محمد قتخيان

دكتر بابك اميري

صنايع

اجتماعي مي‌توانند توسط يك شبكه پيچيده مدل شوند. يكي از مسائل مهم در شبكه‌هاي پيچيده ارزيابي اهميت گره به دليل كاربرد گسترده و نقش مهم آن در انتشار اطلاعات، كنترل گسترش بيماري، ايجاد ابزار جديد بازاريابي و تحقيق در مورد افكار عمومي و پويايي شايعه است. بنابراين پيدا كردن مجموعه‌اي از افراد تأثيرگذار در يك شبكه اجتماعي كه بتوانند به بزرگ‌ترين محدوده شبكه نفوذ كنند يك مسئله اساسي است. در اين پژوهش تلاش شده است كه الگوريتمي مبتني بر الگوريتم ژنتيك ارائه شود كه با در نظر گرفتن ساختار انجمن و بدون نياز به تعيين تعداد گره‌هاي كانوني، گره‌هاي تأثيرگذار را باهدف بيشينه كردن انتشار در شبكه شناسايي كند. الگوريتم پيشنهادي مي‌تواند در هر مرحله گره‌هاي تأثيرگذار را به سه روش: مركزيت درجه، تصادفي و شاخص حفره‌ ساختاري در هر انجمن شناسايي كرده و ميزان انتشار را در هر مرحله اندازه‌گيري نمايد. اين روند تا پايان الگوريتم ژنتيك ادامه پيدا مي‌كند و در مرحله آخر گره‌هاي مؤثري كه بيشترين ميزان انتشار در هر انجمن را داشته‌اند شناسايي مي‌شوند. همچنين الگوريتم پيشنهادي نياز به تعيين تعداد kگره تاًثيرگذار اوليه ندارد.

1397/04/19

A Novel Method for Identifying Influential Nodes in Complex Social Networks based on Community Detection

5/22/2019 12:00:00 AM

Many real-world networks, including biological networks, internet, information and social networks can be modeled by a complex network, which consists of a large number of elements that are connected to each other. One of the important issues in complex networks is the evaluation of node importance because of its wide usage and great theoretical significance, such as in the information diffusion, the control of the disease spreading, viral marketing and rumor dynamics. It is a fundamental issue to identify a set of most influential individuals so that they can maximize the influence spread of the network. In this research, we propose a novel algorithm for identifying influential nodes in complex networks with community structure and no need to determine the number of seed nodes based on genetic algorithm. The proposed algorithm can identify influential nodes with three methods at each stage (degree centrality, random and structural hole) in each community and measure the spread of influence at each stage. This process continues until the end of the genetic algorithm, and at the last stage, most influential nodes are identified with maximum diffusion in each community. Furthermore, the proposed algorithm does not require to determine the number of k initial active nodes.