17851

17851

مدلسازي ديناميك پذيرش و گسترش عقايد در شبكه هاي اجتماعي تحت شرايط رقابتي

كارشناسي ارشد

صنايع - مدلسازي سيستم هاي كلان

شهريور 1396

دكتر سيدمحمد سيدحسيني

دكتر احمد ماكويي

مهندسي پيشرفت

در جوامع پيشرفته ي معاصر، زندگي عمده ي انسان ها به شبكه هاي اجتماعي مجازي گره خورده است. كاربرهاي اين شبكه ها، ميلياردها ساعت از زمان خودشان را صرف مطالعه و اشتراك گذاري عقايد و نظرات يكديگر و ايجاد مطالب جديد مي نمايند. پژوهش حاضر، سعي در ايجاد مدل و بستري جديد دارد، كه از طريق آن بتوان رفتار افراد را در قالب يك شبكه ي اجتماعي و در قبال دريافت و ارسال پيام به تصوير كشيد. در پايان نامه ي حاضر، يكي از معروف ترين مدل هاي احتمالي گسترش بيماري هاي واگيردار(SIR)، به عنوان زيربناي رفتار مدل در نظر گرفته شده است، و با استفاده از ويژگي فراموشي و منحني يادگيري، به ارائه ي مدل نويني(RbID) در ادبيات شبكه هاي اجتماعي پرداخته مي شود. سپس با توجه به محتواي پيام و گرايشات افراد، مدل ديگري(CRbID)، توسعه داده شده است، كه با محاسبات پي درپي شرايط گره ها، ديناميك پذيرش و گسترش عقايد را در شبكه هاي اجتماعي توضيح مي دهد. همچنين در اين تحقيق، به منظور حل مسأله ي بيشينه سازي اثر در اين شبكه ها، دو الگوريتم متفاوت GTCb (براي مدل SIR) و ژنتيك(براي مدل CRbID) توسعه داده شده اند. شبيه سازي هاي متعدد انجام گرفته بر شش شبكه ي پيچيده ي متفاوت در بستر مدل SIR نشان مي دهد كه الگوريتم GTCb، از منظر كيفيت حل مسأله، از هر چهار مركزيت متعارف مورد بررسي و همچنين الگوريتم مبتني بر تاپسيس، بهتر عمل مي نمايد(بيش از 8% در شبكه USAir)، با اين حال همچنان الگوريتم ژنتيك، بهترين كيفيت حل را در ميان روش هاي ارائه شده دارا مي باشد. از منظر زمان حل مسأله نيز، GTCb در شبكه هاي مورد بررسي، به طور معمول بين 10 الي 1000 مرتبه سريع تر از الگوريتم ژنتيك مجموعه جواب مورد نظر را بدست مي آورد. شبيه سازي هاي انجام شده در بستر مدل هاي RbID و CRbID، ديناميك تعداد آراي كسب شده توسط بازيگران را در شبكه هاي مختلف به نمايش مي گذارد. نتيجه ي اين شبيه سازي ها بيانگر آن است كه، زمان بندي ارسال پيام به گره هاي اوليه، فارغ از قدرت گره هاي منتخب، تأثير بسزايي در ميزان آراء هر بازيكن خواهد داشت. همچنين، در شبيه سازي هاي صورت گرفته بر مدل CRbID، اهميت بهينه سازي محتواي پيام ارسالي به مخاطبين، در كنار زمان¬بندي و انتخاب گره هاي تأثيرگذار، به تصوير در آمده است. به عنوان مثالي براي توضيح مدل CRbID، از شبكه اي واقعي با عنوان C-Friends، استفاده شده است؛ در اين مثال، اپليكيشن تلفن همراهي كه در ابتدا، نسبت به رقيب خود تنها 5.5% آراء افراد شبكه را در اختيار دارد، توانسته است با كمك الگوريتم ژنتيك توسعه داده شده، با ارسال 2 پيام به شبكه، ميانگين ميزان آراء خود را به بيش از 22% افزايش دهد.

1396/07/09

9/20/2018 12:00:00 AM

The human’s life has been tied up with the artificial social networks in the modern and contemporary communities. The social networks’ users spend billions of hours on reading and sharing each other’s comments and opinions, as well as creating new contents. The present research attempts to develop a model and a framework, by which the men’s behavior towards sending and receiving messages in social networks can be explained. The present dissertation considers SIR model (one of the most renowned epidemic diffusion models) as a backbone for its proposed models. By using the idea of remembering and forgetting curve, the research introduces a novel diffusion model (namely “RbID”) in social networks literature. Then, it introduces another novel diffusion model (called “CRbID”), enlightening adoption and propagation dynamics of opinions through social networks by repeatedly calculating the nodes’ states. Furthermore, in the present research, two separate algorithms, “GTCb” (only for SIR) and Genetic Algorithm(GA), have been developed so as to solve influence maximization problem through the complex networks. The manifold simulations which are carried out on 6 different networks, employing SIR platform, show that the GTCb’s diffusion quality outperforms all 4 well-known centrality measures as well as TOPSIS-based approach by far (by more than 8% in USAir network). However, GA has had the best quality among the proposed algorithms, in terms of the runtime, GTCb identifies its set of seed nodes 10 to 1000 times faster than GA. The simulations, carried out on RbID and CRbID, clarify the dynamics of votes that each player secures in the networks. The results show that the message sending scheduling has a considerable impact on number of votes that each player receives, apart from the power(centrality) of selected seeds. In addition, through the simulations, using CRbID, the significance of messages’ content optimization, alongside with the message sending scheduling, has been represented. The current research employed a real social network, so-called “C-Friends”, as an example to explain CRbID. In this example, a cellphone application which had won only 5.5% of votes, compared to its rival, has managed to extend its own votes to 22% averagely by sending only 2 messages to the network, by implementation of the proposed GA.