g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

(Daha büyük resmi görmek için tıklayın)

Ana makale Detaylandırmak için:

• Sosyal ağların yapısal özellikleri ve evrim mekanizması

• Sosyal ağ grubu davranış oluşumu ve etkileşim yasası

• Sosyal ağ bilgi yayma ve evrim mekanizması

Son dört bölüme göz atın İçerik için lütfen bir sonraki bölüme bakın (26 Eylül 2017 tarihli 2. Madde).

Önsöz

Wikipedia'daki sosyal ağ tanımı, "birçok düğümden oluşan sosyal bir yapıdır. Düğümler genellikle bireylere veya kuruluşlara atıfta bulunur ve sosyal ağlar çeşitli sosyal ilişkileri temsil eder." İnternetin doğuşundan önce, sosyal ağ analizi sosyolojik ve Antropolojinin önemli bir dalı. İlk sosyal ağlar, temel olarak bilimsel araştırma işbirliği ağları ve aktör işbirliği ağları gibi işbirliğine dayalı ilişkiler yoluyla kurulan profesyonel ağlara atıfta bulunur.

Bu makalede atıfta bulunulan sosyal ağ analizi, özellikle Çevrimiçi Sosyal Ağ Analizine (Çevrimiçi Sosyal Ağ Analizi) atıfta bulunur; bu bilimin gelişimi, çevrimiçi sosyal hizmetlerin (Sosyal Ağ Hizmeti, SNS) ortaya çıkmasıyla doğmuştur. Çevrimiçi sosyal hizmet türleri kabaca dört türe ayrılabilir: anlık mesajlaşma uygulamaları (QQ, WeChat, WhatsApp, Skype vb.), Çevrimiçi sosyal uygulamalar (QQ alanı, Renren, Facebook, Google+ vb.) Ve Weibo uygulamaları ( Sina Weibo, Tencent Weibo, Twitter, vb.), Paylaşılan alan uygulamaları (forumlar, bloglar, video paylaşımı, değerlendirme paylaşımı vb.).

Çevrimiçi sosyal ağlar (bundan böyle toplu olarak sosyal ağlar olarak anılacaktır) dört ana özelliğe sahiptir: çabukluk, yayılma, eşitlik ve kendi kendine organizasyon. Tam da bu özelliklerinden dolayı, İnternetin ortaya çıkmasından bu yana sadece birkaç on yıl içinde milyarlarca kullanıcısı oldu ve gerçek toplumun tüm yönlerini etkiledi. 2016 ABD başkanlık seçimlerinde, Başkan seçilen Trump, Twitter'ı bir propaganda aracı olarak iyi bir şekilde kullandı; Çin'de Wei Zexi olayından Yi Hotel olayına ve son "bıçaklanan ve hakaret eden anneye" kadar Çin'de. "Tüm olaylar sosyal ağlarda hızla gelişiyor ve nihayetinde gerçek toplum üzerinde bir etkiye sahip. Çevrimdışıyken bu çevrimiçi etki eğilimi giderek daha belirgin hale geliyor.

Sosyal ağların topluma ve ekonomiye getirdiği birçok olumlu etkinin yanı sıra birçok olumsuz etki de beraberinde getirmiştir. Facebook ve YouTube'daki şiddet içeren ve terörist bilgilerden Weibo ve WeChat hakkında çok sayıda söylenti ve sahte haberlere kadar, bu zararlı bilgiler sosyal ağların özelliklerinin yardımıyla hızla yayılır ve genellikle kontrol edilemeyen sonuçlar doğurur.

Sosyal ağların özelliklerinden iyi yararlanmak, değer üretmek ve zararı ortadan kaldırmak için sosyal ağ analizi bilimi doğdu. Bilişim, matematik, sosyoloji, yönetim ve psikoloji gibi bilimlere dayalı disiplinler arası bir bilimdir. Sosyal ağların özelliklerine göre, esas olarak üç ana içeriği inceler: yapı ve evrim, grup ve etkileşim ve bilgi ve iletişim.

Bu makale, sosyal ağ analizi alanındaki çeşitli araştırma yönlerine kısa bir genel bakış sağlar.Ayrıntılı içerik için, yalnızca referansları listeliyorum ve makalenin sonunda bazı öğrenme kaynakları sağlıyorum. Umarım bu makaleyi okuyarak, bu alana ilgi duyan okuyucular, sosyal ağ analizi hakkında makro bir anlayışa sahip olabilir ve öğrenmenin yönünü bulabilirler. Sosyal ağ analizinde yeni başlayan biri olarak, yazar kaçınılmaz olarak belirli kavram ve gerçeklerin yorumlanmasında ve ifade edilmesinde hatalar yaşıyor.Umarım okuyucuların bunları zamanında düzeltebilir ve birlikte iletişim kurabilir ve ilerleme kaydedebiliriz.

Bir. Sosyal ağların yapısal özellikleri ve evrim mekanizması

1. Sosyal ağ yapısı analizi ve modellemesi

1.1 İstatistiksel özellikler

Sosyal ağ modelinin birçok kavramı grafik teorisinden gelir, çünkü sosyal ağ modeli temelde düğümlerden (kişiler) ve kenarlardan (sosyal ilişkiler) oluşan bir grafiktir. Yazar, sosyal ağ modellerinde yaygın olarak kullanılan istatistiksel kavramları kısaca tanıtacaktır.

• Derece (Derece): Bir düğümün derecesi, düğüme bağlı kenarların sayısı olarak tanımlanır. Yönlendirilmiş bir grafikte, bir düğüme işaret eden kenarların sayısı o düğümün derecesi olarak adlandırılır ve bu düğümden diğer düğümlere işaret eden kenarların sayısı düğümün dış derecesi olarak adlandırılır. Ağın ortalama derecesi, ağın yoğunluğunu yansıtır ve geçiş derecesinin dağılımı, farklı düğümlerin önemini açıklayabilir.

• Ağ yoğunluğu (Yoğunluk): Ağ yoğunluğu, düğümler arasındaki birbirine bağlı kenarların yoğunluğunu tanımlamak için kullanılabilir. Ağdaki gerçek kenar sayısının, barındırılabilen kenar sayısının üst sınırına oranı olarak tanımlanır. Genellikle sosyal ağlardaki sosyal ilişkilerin yoğunluğunu ve evrimsel eğilimini ölçmek için kullanılır.

• Kümeleme Katsayısı: Ağdaki aynı düğüme bağlı düğümlerin aynı zamanda birbirine bitişik düğümler olma derecesini açıklamak için kullanılır. Bir kişinin arkadaşlarının bir sosyal ağda birbirleriyle arkadaş olma olasılığını karakterize etmek için kullanılır ve sosyal ağdaki kümelenmeyi yansıtır.

• Arasında: Grafikteki bir düğüm için grafiğin tamamını taşıyan en kısa yolların sayısı, genellikle düğümün önemini değerlendirmek için kullanılır. Örneğin, farklı toplulukları birbirine bağlayan ara düğümlerin arası diğer düğümlere kıyasla çok büyük olacaktır ve Sosyal ağ bilgilerinin aktarılmasındaki önemi.

1.2 Ağ özellikleri

• Küçük dünya fenomeni: Küçük dünya fenomeni, coğrafi olarak birbirinden çok uzak olan insanların daha kısa sosyal ilişkilere sahip olabileceği anlamına gelir. 1967 gibi erken bir tarihte, Harvard Üniversitesi psikoloji profesörü Stanley Milgram, bir mektup gönderme deneyi aracılığıyla "Altı Ayrılma Derecesi" ni özetledi ve önerdi, yani herhangi ikisi, ortalama beş tanıdık tarafından ilişkilendirilebilir. 1998'de Duncan Watts ve Steven Strogatz, Nature dergisinde, küçük dünya ağları kavramını resmen öneren ve bir küçük dünya modeli kuran "Küçük Dünya" Ağlarının Kolektif Dinamikleri "başlıklı dönüm noktası niteliğinde bir makale yayınladılar.

  Küçük dünya fenomeni, çevrimiçi sosyal ağlarda iyi bir şekilde doğrulanmıştır. Facebook Veri Analizi Grubu'nun 2011'de yayınladığı bir rapora göre, Facebook'un yaklaşık 720 milyon kullanıcısının herhangi iki kullanıcısı arasındaki ortalama yol uzunluğu yalnızca 4,74'tür ve bu gösterge itici niteliktedir. Özel ortam 4,67'dir. Beş adımda herhangi iki ağdaki kişilerin birbirine bağlanabileceği söylenebilir.

• Ölçek dışı özellikler: Gerçek büyük ölçekli sosyal ağların çoğu, çoğu düğümün az sayıda kenara sahip olduğu ve birkaç düğümün çok sayıda kenara sahip olduğu özelliklere sahiptir. Ağ, birleşik bir ölçüm ölçeğinden yoksundur ve heterojenlik sunar. Bu tür bir düğüm derecesi dağılımına sahip değiliz. Dağıtım aralığının sınırlı ölçüm özelliğine ölçeksiz denir. Ölçeksiz ağın derece dağıtım özelliği, bu tür ağın ölçeksiz özelliği olan güç yasası dağıtımıdır.

1.3 Ağ modeli

• WS modeli: WS modeli, küçük dünya modelidir.Küçük dünya modeli tarafından oluşturulan küçük dünya ağı, normal bir ağdan rastgele bir ağa geçişin bir ara biçimidir.

• BA modeli: BA modeli, gerçek ağdaki düğümlerin güç yasası dağılım özelliklerini hesaba katar ve ölçeksiz bir ağ oluşturur.

• Diğer modeller: Orman yangını modeli, Kronecker modeli, üretim modeli.

2. Sanal topluluk (toplum) ve keşif teknolojisi

2.1 Tanım

Sanal topluluk, alt grafiğin konumuna göre tanımlanır: topluluk yapısı, karmaşık bir ağ düğümü kümesinin bir dizi alt kümesidir.Her alt kümedeki düğümler arasındaki bağlantılar nispeten yakınken, farklı alt kümelerdeki düğümler arasındaki bağlantılar nispeten seyrektir.

Sosyal ağlarda sanal toplulukları keşfetmek, ağ topolojisinin özelliklerini anlamaya, karmaşık sistemlerin içsel işlevsel özelliklerini ortaya çıkarmaya ve topluluklar içindeki bireysel ilişkileri anlamaya yardımcı olur. Bilgiye erişim, bilgi önerisi, bilgi yayma kontrolü ve halka açık olay yönetimi ve kontrolü için güçlü destek sağlayın. Sanal topluluklar, birçok klasik algoritma olduğunu, bu algoritmaların farklı boyutlardaki sanal toplulukları araştırmak için kullanıldığını, algoritmanın yüksek hassasiyet peşinde koşarken verimliliği artırmaya (zaman karmaşıklığını azaltmaya) çalıştığını buldu.

2.2 Topluluk Keşif Algoritması Değerlendirme Endeksi

Aşağıdaki değerlendirme göstergeleri arama motorları aracılığıyla ayrıntılı olarak tanıtılabilir:

• Modülerlik: Mevcut ağ ile aynı topluluk bölümü altındaki karşılaştırma ağı arasındaki bağlantı yoğunluğu farkını karşılaştırarak çevrimiçi topluluğun artılarını ve eksilerini ölçün.

• NMI (Normalleştirilmiş Karşılıklı Bilgi): Tahmin edilen topluluk yapısı ile topluluk yapısı arasındaki farkı ölçmek için bilgi entropisini kullanın. Değer ne kadar büyükse topluluk yapısının bölünmesi o kadar iyidir. Maksimum değer 1 olduğunda, algoritmaya bölünen topluluk yapısı topluluk yapısıyla tutarlıdır ve algoritma etkisi en iyisidir .

• Rand Endeksi: Aynı topluluğa ait olan veya iki bölümdeki farklı topluluklara ait olan düğüm çifti sayısının oranını temsil eder.

• Jaccard Endeksi: Jaccard katsayısı, örnekler arasındaki farkı ölçmek için kullanılır ve klasik bir ölçüdür.

2.3 Topluluk statik keşif algoritması

• Modülerlik optimizasyon algoritması

Mark Newman, modülerliği en üst düzeye çıkarmak için açgözlü algoritma FN'yi önerdi. Kaynaklar: Newman, Mark EJ. "Ağlarda topluluk yapısını tespit etmek için hızlı algoritma." Fiziksel inceleme E 69.6 (2004): 066133.

• Çok amaçlı optimizasyon algoritması

Zhao, Yuxin ve diğerleri. "Topluluk yapısı karmaşık ağları tespit etmek için aselüler öğrenme otomatına dayalı algoritma." Neurocomputing 151 (2015): 1216-1226.

Du, Jingfei, Jianyang Lai ve Chuan Shi. "Örtüşen Topluluk Algılama için Çok Amaçlı Optimizasyon." Uluslararası Gelişmiş Veri Madenciliği ve Uygulamaları Konferansı. Springer, Berlin, Heidelberg, 2013.

• Olasılıklı modele dayalı algoritma

Newman, Mark EJ ve Elizabeth A. Leicht. "Ağlarda karışım modelleri ve keşif analizi." Ulusal Bilimler Akademisi Bildirileri 104.23 (2007): 9564-9569.

Ren, Wei, ve diğerleri "Topluluk yapısını tespit etmek için basit olasılıklı algoritma." Fiziksel İnceleme E 79.3 (2009): 036111.

• Bilgi kodlama algoritması

Rosvall, Martin ve Carl T. Bergstrom. "Karmaşık ağlar üzerindeki rastgele yürüyüş haritaları, topluluk yapısını ortaya koyuyor." National Academy of Sciences 105.4 (2008): 1118-1123.

Kim, Youngdo ve HawoongJeong. "Bağlantı toplulukları için harita denklemi." Fiziksel İnceleme E 84.2 (2011): 026110.

2.4 Topluluk dinamik keşif algoritması

• Grup filtreleme algoritması

Palla, Gergely, et al. "Doğanın ve toplumun karmaşık ağlarının örtüşen topluluk yapısını ortaya çıkarmak." ArXiv baskı öncesi fiziği / 0506133 (2005).

Kumpula, Jussi M., ve diğerleri, "Hızlı klikepercolasyon için sıralı algoritma." Fiziksel İnceleme E 78.2 (2008): 026109.

• Benzerlik tabanlı toplama algoritması

Shen, Huawei, ve diğerleri "Ağlarda örtüşen ve hiyerarşik topluluk yapısını tespit edin." Physica A: Statistical Mechanics and its Applications388.8 (2009): 1706-1712.

Huang, Jianbin ve diğerleri. "Ağlarda hiyerarşik ve örtüşen topluluk yapısını ortaya çıkarmak için yoğunluk temelli daralma." Physica A: Statistical Mechanics and its Applications 390.11 (2011): 2160-2171.

• Etiket yayma algoritması

Raghavan, Usha Nandini, Réka Albert ve Soundar Kumara. "Büyük ölçekli ağlarda topluluk yapılarını tespit etmek için neredeyse doğrusal zaman algoritması." Fiziksel inceleme E 76.3 (2007): 036106.

Gregory, Steve. "Etiket yayılımıyla ağlarda örtüşen topluluklar bulmak." New Journal of Physics 12.10 (2010): 103018.

• Yerel genişleme optimizasyon algoritması

Lancichinetti, Andrea ve Santo Fortunato. "Örtüşen topluluklarla yönlendirilmiş ve ağırlıklı grafiklerde topluluk algılama algoritmalarını test etmek için kıyaslamalar." PhysicalReview E 80.1 (2009): 016118.

Lee, Conrad, et al. "Greedyclique genişleme ile oldukça örtüşen topluluk yapısını tespit etme." ArXiv ön baskı arXiv: 1002.1827 (2010).

3. Sanal toplulukların evriminin analizi

Çevrimiçi sosyal ağlarda çok sayıda açık veya örtük sanal topluluk yapısı vardır. Bu sanal topluluk yapıları sonsuz değildir. Olaylar değiştikçe, topluluk yapıları da sürekli olarak gelişir. Dinamik sanal topluluk yapısının evrimini analiz etmek, tüm sosyal ağın evrimini anlamaya yardımcı olur, bu nedenle önemli araştırma değerine sahiptir.

3.1 Sanal toplulukların ortaya çıkışı

Sanal toplulukların ortaya çıkışı, sosyal ağlarda sıfırdan sanal toplulukların oluşması sürecidir ve en önemli özelliği ağ kümelenmesi olgusudur.

• Döngü kapatma: Sözde döngü kapatma, ağdaki komşuları ile bağlantı kurma eğiliminde olan ağ düğümlerinin oluşturduğu yapıya atıfta bulunur.Bu mekanizma, sanal toplulukların oluşumuna yol açan ana faktördür. Deneyler, iki düğüm arasındaki jeodezik mesafenin artması veya azalması ile üçlü bir kapanmanın gerçekleşme olasılığının katlanarak azaldığını göstermektedir. Aksine, odak kapanmasının jeodezik mesafe ile hiçbir ilgisi yoktur, oluşturulmasının nedeni, iki düğümün ortak çıkarlarının olması veya ortak faaliyetlere katılmalarıdır.

• Tercih edilen bağlantı: Pek çok gerçek ağda, yeni eklenen kenarlar rasgele bağlanmaz, ancak daha büyük ölçüde bağlanma eğilimindedir.

3.2 Sanal toplulukların evrimi

Çevrimiçi sosyal ağlardaki sanal toplulukların evrim süreci, birçok etkileyen faktörle birlikte çok karmaşıktır. Sanal toplulukların evrimindeki temel faktörlerin nasıl ortaya çıkarılacağı, sosyal ağ araştırmalarında önemli ve zorlu bir konu haline gelmiştir. Üç temel faktör, bireysel kullanıcıların kümülatif etkisi, yapısal çeşitlilik ve yapısal denge, sanal toplulukların gelişimi üzerinde bir etkiye sahiptir.

3.3 Gelişen sanal toplulukların keşfi

Evrimsel sanal topluluk, birçok araştırma materyali olduğunu buldu. Aşağıdaki beş, nispeten olgun algoritma modelleridir. Spesifik ayrıntılar ve referanslar daha fazla anlaşılabilir.

• Bitişik anlar arasındaki benzerliğin doğrudan karşılaştırılmasına dayanan evrimsel sanal topluluk keşfi

Hopcroft, John, et al. "Büyük bağlantılı ağlarda gelişen toplulukları izleme." Ulusal Bilimler Akademisi'nin Bildirileri 101.suppl 1 (2004): 5249-5253.

Greene, Derek, Donal Doyle, ve Padraig Cunningham. "Dinamik sosyal ağlarda toplulukların evrimini izleme." Sosyal ağ analizi ve madenciliğindeki gelişmeler (ASONAM), 2010 uluslararası konferans. IEEE, 2010.

• Evrimsel küme analizine dayalı evrimsel sanal topluluk keşfi

Chakrabarti, Deepayan, Ravi Kumar ve Andrew Tomkins. "Evrimsel kümeleme." Bilgi keşfi ve veri madenciliği üzerine 12. ACM SIGKDD uluslararası konferansının bildirileri. ACM, 2006.

Lin, Yu-Ru, et al. "Facetnet: toplulukları ve onların evrimlerini dinamik ağları analiz etmek için bir çerçeve." World Wide Web'de 17. uluslararası konferansın bildirileri. ACM, 2008.

• Laplace Dynamics Yöntemine Dayalı Evrimsel Sanal Topluluğun Keşfi

Lambiotte, Renaud, J-C. Delvenne ve Mauricio Barahona. "Ağlarda laplacian dinamikleri ve çok boyutlu modüler yapı." ArXiv ön baskı arXiv: 0812.1770 (2008).

• Grup filtreleme algoritmasına dayalı evrimsel sanal topluluk keşfi

Palla, Gergely, Albert-LaszloBarabasi ve Tamas Vicsek. "Sosyal grup evriminin nicelleştirilmesi." Nature 446.arXiv: 0704.0744 (2007): 664.

• Düğüm davranışı eğilim analizine dayalı evrimsel sanal topluluk keşfi

Hopcroft, John, et al. "Büyük bağlantılı ağlarda gelişen toplulukları izleme." Ulusal Bilimler Akademisi'nin Bildirileri 101.suppl 1 (2004): 5249-5253.

iki. Sosyal ağ grubu davranış oluşumu ve etkileşim yasası

1. Kullanıcı Davranışı Analizi

Sosyal ağ kullanıcı davranışı, kullanıcının kendi ihtiyaçlarının, sosyal etkisinin ve sosyal ağ teknolojisinin kapsamlı bir değerlendirmesine ve bunun neden olduğu çeşitli kullanım etkinliklerinin toplamına dayalı olarak sosyal ağ hizmetlerini kullanma istekliliğidir. Kullanıcı davranışı, çevrimiçi sosyal ağ araştırmasının önemli bir içeriğidir. Mevcut araştırma temel olarak aşağıdaki iki fikre dayanmaktadır. Birincisi, çevrimiçi sosyal ağları, kullanıcıların benimseme davranışını, reddedilme davranışını ve çevrimiçi sosyal ağ teknolojilerine kullanıcı bağlılığını incelemek için belirli bir bilgi teknolojisi olarak kullanmak, diğeri ise çevrimiçi sosyal ağları şu şekilde ele almaktır. Çeşitli hizmetler ve uygulamalar için bir platform sağlayın ve çeşitli hizmetleri ve uygulamaları kullanan kullanıcıların özelliklerini ve yasalarını inceleyin.

1.1 Kullanıcı benimseme ve sadakat

Çevrimiçi sosyal ağ kullanıcılarının benimsemesi, kullanıcının kendi ihtiyaçlarının, sosyal etkisinin ve çevrimiçi sosyal ağ teknolojisinin kapsamlı bir değerlendirmesine dayalı olarak çevrimiçi sosyal ağ hizmetlerini kullanma istekliliğini veya davranışını ifade eder. Çevrimiçi sosyal ağlar, ortaya çıkmalarının ilk aşamasında mümkün olduğunca çok kullanılabilir mi? Birçok kullanıcının evlat edinilmesi ve yargılanması, sonraki yayılması için çok önemlidir. Şu anda, çevrimiçi sosyal ağ kullanıcıları benimseme davranışının mekanizmasını ortaya çıkarmak için çeşitli teoriler kullanılmaktadır. Bunlar arasında, teknoloji kabul modeli ve planlı davranış teorisi, araştırmacılar tarafından en çok kullanılan iki teoridir.

Çevrimiçi sosyal ağ kullanıcı sadakati, kullanıcıların sosyal ağ hizmetlerini kullandıktan sonra kullanmaya devam edebilme yeteneğini ifade eder. Çeşitli yeni ağ hizmetlerinin getirdiği rekabet baskısı, çevrimiçi sosyal ağ kullanıcı sadakatini sürdürmeyi giderek daha zor hale getirdi. Şimdiye kadar, çevrimiçi sosyal ağlarda kullanıcı sadakati araştırmasında çeşitli teoriler kullanıldı. Bunların arasında, beklenti doğrulama teorisi ve akış deneyimi teorisi birçok araştırmacı tarafından tercih edilmektedir.

• Teknoloji kabul modeline dayalı çevrimiçi sosyal ağ kullanıcı benimseme modeli

David Fred, teknoloji kabul modelinin bilgi sistemi araştırması alanındaki en klasik modellerden biri olduğunu öne sürdü. Modelin ayrıntılı bir şekilde anlaşılması için lütfen şu adrese bakın:

Davis, Fred D. "Algılanan fayda, algılanan kullanım kolaylığı ve bilgi teknolojisinin kullanıcı tarafından kabulü." MIS üç aylık (1989): 319-340.

• Planlı davranış teorisine dayalı çevrimiçi sosyal ağ kullanıcı benimseme modeli

İcek Ajzen tarafından önerilen planlı davranış teorisi, insan davranış araştırmalarında yaygın olarak kullanılmaktadır. Teori hakkında ayrıntılı bir anlayış için lütfen şunlara bakın:

Ajzen, Icek. "Niyetlerden eylemlere: Planlı davranış teorisi." Eylem kontrolü. Springer Berlin Heidelberg, 1985. 11-39.

• Beklenti doğrulama teorisine dayalı çevrimiçi sosyal ağ kullanıcı sadakat modeli

Oliver tarafından ortaya atılan beklenti doğrulama teorisi, tüketici memnuniyetini incelemek için temel teoridir. Anol Bhattacherjee, bilgi sisteminin teorisine ve özelliklerine dayalı olarak bilgi sisteminin sürekli kullanımı için Beklenti Onay Modelini (ECM-ISC) ortaya koymaktadır. Modelin ayrıntılı bir şekilde anlaşılması için lütfen şu adrese bakın:

Bhattacherjee, Anol. "Bilgi sistemleri sürekliliğini anlama: bir beklenti onaylama modeli." MIS üç aylık (2001): 351-370.

• Akış deneyimi teorisine dayalı çevrimiçi sosyal ağ kullanıcı sadakat modeli

Mihaly Csikszentmihalyi ve diğerleri tarafından önerilen akış deneyimi teorisi, şu anda kullanıcı deneyimi araştırmalarında önemli bir teoridir. Teorinin ayrıntılı bir şekilde anlaşılması için lütfen bakınız: Csikszentmihalyi, Mihaly, Can sıkıntısı ve kaygının ötesinde, Jossey-Bass, 2000.

1.2 Bireysel kullanıcı davranışı

• Genel kullanım davranışı: Kullanıcılar, sosyal ağlarda gezinme, tıklama, paylaşma, beğenme, yer imi gibi çeşitli eylemler gerçekleştirebilirler. Spesifik sınıflandırma için lütfen bakınız: Benevenuto F, Rodrigues T, Cha M, Almeida V. Çevrimiçi Sosyal Ağlarda Kullanıcı Davranışını Tanımlama New York, New York, ABD: ACM; 2009: 49-62. Doi: 10.1145 / 1644893.1644900.

• İçerik oluşturma davranışı: Kullanıcılar, blog oluşturma, mikroblog oluşturma ve yorum gönderme yoluyla sosyal ağlarda içerik üretirler.İçerik oluşturma davranışı üzerine yapılan araştırma, temel olarak içerik yaratma motivasyonunu, içerik oluştururken tema seçimi tercihini ve içerik yaratmanın dil ifadesini inceler. Konu ile ilgili olarak, LDA modeli bir arama motoru aracılığıyla aranabilir.

• İçerik tüketim davranışı: Kullanıcılar sosyal ihtiyaçlarını karşılamak için sosyal ağlara göz atar, paylaşır ve yorum yapar.Sosyal ağ içeriğinin tüketimi, aktif tüketim ve pasif tüketim olarak bölünebilir. Pasif tüketim gezinmedir. Araştırmalar, sosyal ağlardaki davranışların% 92'sine kadar göz atma davranışı olduğunu göstermiştir. Aktif tüketim, arkadaşların bilgilerini aramak ve sosyal çevrelerde arkadaşlara sorular sormak gibi sosyal aramadır.

1.3 Kullanıcı grubu etkileşim davranışı

• Grup etkileşimi seçimi: Grup etkileşimi üzerine yapılan araştırma, temel olarak kullanıcılar arasındaki ilişkiyi belirlemek ve farklı ölçüm göstergeleri formüle ederek kullanıcılar arasındaki ilişkinin gücünü incelemektir.

• Grup etkileşimi için içerik seçimi: Sosyal ağlardaki kullanıcıların içerik seçimi, sosyal ilişkilerinden ayrılamaz. Örneğin çalışmalar, etkileşimden önce ve sonra iki Wikipedia editörü tarafından üretilen düzenlenmiş içeriğin benzerliklerinin farklı olduğunu göstermiştir.

• Grup etkileşiminin zaman kuralı: Çevrimiçi sosyal ağlarda insan davranışının zamansal özellikleri üzerine yapılan araştırma, esas olarak davranışın zaman aralığı dağılımını analiz etmeye odaklanmaktadır. Araştırma, çevrimiçi sosyal ağlarda kullanıcı davranışının zaman aralığı dağılımının geleneksel negatif üstel dağılımdan farklı olduğunu, ancak bir güç yasası dağılımı sunduğunu, yani "uzun kuyruk etkisine" sahip olduğunu bulmuştur. Grup etkileşiminin zaman kuralı üzerine yapılan araştırma, kamu yönetimi ve karar verme gibi senaryolara uygulanabilir.

2. Sosyal ağ duyarlılık analizi

İnternet teknolojisinin hızla gelişmesiyle birlikte, İnternet, insanların bilgi edinme ve fikirlerini ifade etmelerinin ana yolu haline geldi.Metnin içeriğine göre, İnternet'teki metni iki türe ayırabiliriz.Birincisi, esas olarak olaylar, ürünler vb. İçin bilgileri objektif olarak tanımlamaktır. Nesnel açıklama için diğeri, esas olarak kullanıcılarla birlikte karakterlerin, olayların ve ürünlerin nesnel açıklamalarını üreten öznel bilgilerdir; diğeri ise esas olarak kullanıcıların karakterler, olaylar ve ürünler hakkındaki değerlendirme bilgilerinden üretilen öznel bilgilerdir. Öznel bilgi, insanların "destek", "karşı", "tarafsız" gibi çeşitli duygusal renklerini ve duygusal eğilimlerini ifade eder.

Burada fikir madenciliğine eşdeğer olan duyarlılık analizi, öznel bilgileri analiz etme, işleme ve özetleme sürecidir. Duygu analizi başlangıçta doğal dil işleme alanında, esas olarak metinlerin duygusal yönelimini incelemek için gramer ve anlamsal kurallar açısından ortaya çıktı. Sosyal ağların yükselişi ve gelişmesiyle birlikte, duyarlılık analizi yavaş yavaş metin madenciliği, web veri madenciliği vb. Gibi çok sayıda araştırma alanını içerdi ve yönetim ve sosyal bilimlere genişledi.Ayrıca ürün incelemeleri, kamuoyu takibi ve bilgi tahmininde de kullanıldı. Bu alan önemli bir rol oynar.

2.1 Metin duyarlılık analizi teknolojisi

• Anlamsal kurallara dayalı duyarlılık analizi teknolojisi: Duygusal bir sözlük oluşturmak için duygusal sıfatları ve zarfları bir cümle içinde çıkarıyoruz.Bu kelimeler kullanıcının belirli bir eğilimini temsil edebilir. Anlamsal kurallara dayalı analiz teknolojisi, duygu sınıflandırmasının amacına ulaşmak için duygu sözlüğündeki değerlendirme sözcüğü ile eğilim sözcükleri arasındaki mesafeyi hesaplamaktır. En klasik algoritma SO-PMI algoritmasıdır.

• Denetimli öğrenmeye dayalı duyarlılık analizi yöntemi: Denetimli öğrenmeye dayalı yöntem, önce metnin duygu kutupluluğunu manuel olarak etiketlemek ve ardından bunu, hedef metni makine öğrenimine göre sınıflandırmak için bir eğitim seti olarak kullanmaktır. Yaygın yöntemler: Naive Bayes, destek vektör makinesi.

• Konu modeline dayalı duyarlılık analizi teknolojisi: İki konu modeli vardır, PLSA (Olasılıksal Gizli Anlamsal Analiz) ve LDA (Latent Dirichlet Tahsisi) modelleri Okuyucuların daha fazlasını öğrenmesi için internette birçok öğrenme materyali vardır.

2.2 Sosyal ağ duyarlılık analizi teknolojisi

• Kısa metin için duyarlılık analizi teknolojisi: Sosyal ağlar, Weibo, haber yorumları, forum gönderileri gibi çok sayıda kısa metin oluşturur. Bu kısa metinler, düzensiz dilbilgisine sahip oldukları ve gürültülü oldukları için haber raporlarından farklıdır, bu nedenle kısa metinlerin analizi çok önemlidir.

• Grup zekasına dayalı duyarlılık analizi teknolojisi: Kullanıcıların sosyal ağlarda ifade ettikleri görüşler sosyal ilişkilerinden etkilenecek ve duygular sosyal ilişkiler boyunca yayılacaktır.Bu nedenle sosyal kullanıcılar arasındaki ilişkiler incelenerek duygu analizinin doğruluğu artırılabilir.

• Sosyal ağın spam madenciliği teknolojisi: Donanma ve reklamlar gibi bilgiler de dahil olmak üzere sosyal ağlardaki spam görüşleri, spam görüşlerinin araştırılması yoluyla etkili bilgileri spam'den etkili bir şekilde ayırabilir ve böylece sosyal ağları kullanma deneyimini geliştirebilir.

3. Bireysel etkinin analizi

Sosyal ağlarda etkili bireyleri keşfetmek, sosyal ağ araştırmalarında çok önemli bir araştırma dalıdır ve önemli uygulama değerine sahiptir. Örneğin Weibo pazarlama, söylenti tespiti, kamuoyu yönetimi vb.

1.1 Ağ yapısına göre bireysel etkinin hesaplanması

Sosyal ağların grafik yapısı özelliklerine dayanarak, ağdaki düğümlerin merkeziliğini, yani düğümlerin etkisini ölçmek için kullanılan birkaç gösterge vardır. Aşağıdaki üçüne ek olarak, PageRank merkeziliği gibi ölçüm yöntemleri vardır.

• Derece Merkezilik (Derece Merkezilik): Derece merkeziliği, doğrudan düğüme bağlı düğümlerin sayısını ifade eder.

• Yakınlık Merkeziliği: Bir düğüm ile ağdaki diğer tüm düğümler arasındaki en kısa mesafenin toplamını ifade eder.

• Betweenness Centrality: Aradalık, sosyal ağlarda bir düğümün aracılık rolünü ölçmek için kullanılır. Ağdaki belirli iki düğümün en kısa yollarının sayısının, bu yollardaki A düğümünden geçen yolların sayısına bölünmesi, A düğümünün ara merkezlilik olarak da adlandırılır.

1.2 Davranışa dayalı bireysel etkinin hesaplanması

Kullanıcının sosyal ağlardaki davranışı, kullanıcının etkisini belirler. Weibo'yu örnek alırsak, kullanıcıların ana davranışları yorum yapma, yeniden gönderme, yanıtlama, beğenme, kopyalama, okuma vb. Bu davranış özelliklerine dayalı olarak, çeşitli ağ ilişkisi grafikleri oluşturulmuştur. Ağdaki etkili kişiler rastgele yürüyüş ve diğer yöntemlerle bulunabilir.

1.3 Konuya göre bireysel etkinin hesaplanması

Sosyal ağlarda, kullanıcıların farklı konularda farklı etkileri vardır.Kullanıcının her konu üzerindeki etkisi, kullanıcının takip eden ağına ve kullanıcı ilgi alanlarının benzerliğine göre hesaplanabilir.

4. Grup toplama ve etki mekanizması analizi

Bu bölüm esas olarak grup kutuplaşması kavramını tanıtmaktadır. Grup kutuplaşması, grup karar verme bağlamında, bireysel görüşlerin veya kararların genellikle gruplar arasındaki tartışmalardan etkilenerek bir grup sonucuyla sonuçlandığı anlamına gelir. Grup kutuplaşması genellikle, gruptaki bireylerin çoğunluğun görüşlerine kişisel düşünceler olmaksızın katıldıkları için ortaya çıkar. Grup kutuplaşması bir sosyal psikoloji kavramıdır ve ünlü sosyolojik kitap "The Mob" da bahsedilen kamusal psikolojik durum, grup kutuplaşmasının somutlaşmış halidir.

Grup kutuplaşmasının oluşma koşulları dört nokta olarak özetlenebilir: birincisi, uyarıcı bir olay olmalıdır; ikincisi, gruptaki bireyler öncekilerin seçimlerini görebilir; üçüncüsü, grup bilgisi eksikliği; dördüncü, grubun belirli Homojenlik.

Çevrimiçi sosyal ağ analizinde insanlar, analiz modelleri ve simülasyonlar oluşturarak çevrimiçi sosyal ağlarda grup kutuplaşması olgusunu inceler. Ana analiz modelleri, oyun teorisine ve ana-aracı teorisine dayalı sürü davranış modeli, bilgi şelalesine dayalı grup tutarlılık modeli ve hücresel otomata dayalı grup karar verme ve davranış simülasyonudur.

Twitter'da siyasi görüşlerin kutuplaşması

üç. Sosyal ağ bilgi yayma ve evrim mekanizması

1. Çevrimiçi sosyal ağ bilgilerinin alınması

Bilgi erişim (Bilgi Erişim), büyük ölçekli yapılandırılmamış verilerden bilgi elde etme sürecidir.Örneğin, bir arama motoru, bilgi erişim teknolojisinin tipik bir uygulamasıdır. Çevrimiçi sosyal ağların veri yapısının kendine has özellikleri vardır. Weibo'nun "konusunu" (# #) örnek alarak, bu yeni bilgi düzenleme yöntemi geleneksel bilgi erişim araştırmalarına dahil değildir, bu nedenle sosyal ağ bilgilerinin yeniden Bir araştırma konusu.

1.1 Sosyal ağ içerik araması

İçerik araması, bir sorgu verilen büyük miktardaki bilgiden ilgili bilgileri döndürme sürecini ifade eder. Örneğin, Weibo'da ilgili sıcak etkinlik adlarını ararsanız, sıcak etkinlikler hakkında Weibo'ya dönebilirsiniz. İçerik arama, bilgi edinmenin en klasik uygulama şeklidir. Klasik bilgi alma modelleri arasında vektör uzayı modeli (VSM), olasılık modeli ve BM25 geri alma formülü, istatistiksel modelleme ve sorgu olasılık modeline dayalı erişim modeli, istatistiksel dil modellemesine dayalı erişim modeli vb. Yer alır.

Weibo içerik alma modellemesi için şu anda iki ana yöntem bulunmaktadır:

• Zaman önceki yöntem: Zaman a priori, derlemedeki belgelerin farklı öneme sahip olduğu ve derlemenin arka planı dikkate alınarak farklı hesaplama formüllerinin tanımlandığı ve daha sonra hesaplanan sonuçların daha iyi bir erişim etkisi elde etmek için geri alma modelinde kullanıldığı bir geri alma yöntemidir. Belgelerin önceliğini hesaplamak için zaman bilgisini dikkate alan mevcut araştırma çalışması iki türe ayrılabilir: biri belgelerin zamanla değişen ilişkisini tanımlamak, diğeri ise zaman ilişkisini ekleyerek PageRank yöntemini değiştirmektir. Belirli ayrıntılar için lütfen şu adrese bakın:

  Li, Xiaoyan ve W. Bruce Croft. "Zamana dayalı dil modelleri." On ikinci uluslararası Bilgi ve bilgi yönetimi konferansının bildirileri. ACM, 2003.

  Yu, Philip S., Xin Li, ve Bing Liu. "Aramanın zamansal boyutu hakkında." Alternatif parça kağıtları ve posterler üzerine 13. uluslararası World Wide Web konferansının bildirileri. ACM, 2004.

• Çok özellikli kombinasyon yöntemi: Çok özellikli kombinasyon yöntemi, birden fazla Weibo özelliğini birleştirerek Weibo'nun içeriğini almaktır. Aşağıdaki referanslarda bahsedilen mikroblog özellikleri şunları içerir: mikroblog sayısı, takipçi sayısı, hayran sayısı, mikroblog uzunluğu ve mikroblogun dış bağlantılar içerip içermediği. Belirli ayrıntılar için lütfen şu adrese bakın:

  Li, Nagmoti, Rinkesh, Ankur Teredesai ve Martine De Cock. "Mikroblog araması için sıralama yaklaşımları." Web Intelligence ve Intelligent Agent Technology (WI-IAT), 2010 IEEE / WIC / ACM Uluslararası Konferansı. Cilt 1. IEEE, 2010.

1.2 Sosyal ağ içeriğinin sınıflandırılması

Metin tabanlı sınıflandırmaya metin sınıflandırması denir. Sınıflandırma, eğitim ve testin iki aşamasını içerir: Basitçe ifade etmek gerekirse, eğitim, etiketlenen kategorinin külliyatına dayanan sınıflandırma kurallarını veya yasaları öğrenme sürecidir. Test, eğitilmiş sınıflandırıcıyı yeni metne uygulama sürecidir. Eğitim veya test olup olmadığına bakılmaksızın, sınıflandırma nesnesini karakterize etmek ve ardından öğrenmek veya sınıflandırmak için sınıflandırma algoritmasını kullanmak gerekir. Okuyucular, aşağıdaki sosyal ağlarda içeriğin ilgili referanslarına ve konu sınıflandırmasına başvurabilir.

Liu, Zitao, et al. "Mikro blog madenciliği için kısa metin özelliği seçimi." Hesaplamalı Zeka ve Yazılım Mühendisliği (CiSE), 2010 Uluslararası Konferansı. IEEE, 2010.

Yuan, Quan, Gao Cong ve Nadia Magnenat Thalmann. "Kısa metin sınıflandırması için çeşitli yumuşatma yöntemleriyle saf koyların geliştirilmesi." 21. Uluslararası Dünya Çapında Ağ Konferansı Bildirileri. ACM, 2012.

Ling, Xiao, et al. "Çince web sayfaları İngilizce veri kaynağı ile sınıflandırılabilir mi?" World Wide Web'deki 17. uluslararası konferansın bildirileri. ACM, 2008.

Zhang, Dan, et al. "Gizli Anlamsal Öğrenmeyi Transfer Et: Daha Az Denetimle Microblog Madenciliği." AAAI. 2011.

1.3 Sosyal ağ önerisi

Öneri sistemleri sosyal ağlardan daha önce ortaya çıktı.Amazon bunları ürün önermek için kullandığından beri, öneri sistemleri hızla artıyor. Sosyal ağlardaki öneriler, genellikle açık bir öneri olan arkadaşları tavsiye ederiz. Sosyal ilişkilere ve sosyal davranışlara dayalı öneriler, Weibo'nuzun içeriğine veya arkadaşlarınızın davranışına göre reklam ve ürünler önermek gibi üstü kapalı önerilerdir. Aşağıda birkaç temel önerilen yöntemi sunuyoruz:

• İşbirliğine dayalı filtreleme önerileri: Geleneksel işbirliğine dayalı filtreleme, kullanıcı ve öğe bilgilerine dayalı bir matris oluşturur. Temel ilke, benzer kullanıcıların benzer seçeneklere sahip olmasıdır. Örneğin, hem a ve b hem m hem de a sever n, bu nedenle b m'den hoşlanabilir. Sosyal işbirliğine dayalı filtreleme önerisinde, işbirliğine dayalı filtreleme sonuçlarını daha doğru hale getirmek için işbirliğine dayalı filtreleme matrisindeki eksik içeriği telafi etmek için kullanıcılar arasındaki sosyal ilişkiyi kullanabiliriz.

• Modele dayalı öneriler:

• Komşu modeli:

Ma, Hao, et al. "Sorec: Olasılıklı matris ayrıştırmayı kullanarak sosyal öneri." Bilgi ve bilgi yönetimi üzerine 17. ACM konferansının bildirileri. ACM, 2008.

• Matris çarpanlara ayırma modeli:

Funk, Simon. "Netflix güncellemesi: Bunu evde deneyin." (2006).

• Sosyal ağ bilgilerinin entegrasyonu:

Jamali, Mohsen ve Martin Ester. "Sosyal ağlarda öneri için güven yayılımlı bir matris çarpanlara ayırma tekniği." Öneri sistemleri üzerine dördüncü ACM konferansının bildirileri. ACM, 2010.

2. Sosyal ağ bilgi yayma yasası

Bilgi yayma, insanların semboller, sinyaller, iletme, alma ve bilgi geri bildirimlerini kullandıkları, insanların birbirleriyle fikir, düşünce ve duygu alışverişinde bulundukları, karşılıklı anlayış ve etkiye ulaştıkları bir süreçtir. Sosyal ağ bilgisinin yayılması, sosyal ağları bir araç olarak kullanarak bilgi yayma sürecini ifade eder. Sosyal ağ bilgisinin yayılmasına ilişkin yasaları incelemek, sosyal sistemler anlayışımızı derinleştirmemize ve sosyal fenomenleri anlamamıza yardımcı olacaktır. Aynı zamanda desen keşfi, yüksek etkili düğüm tanımlama ve kişiselleştirilmiş öneri için de faydalıdır. Aşağıdakiler temel olarak birkaç sosyal ağ bilgi yayma modelini tanıtmaktadır.

2.1 Ağ yapısına dayalı iletişim modeli

• Doğrusal eşik modeli (Doğrusal Eşik):

Granovetter, Mark. "Kolektif davranışın eşik modelleri." Amerikan sosyoloji dergisi 83.6 (1978): 1420-1443.

• Bağımsız Cascade:

Goldenberg, Jacob, Barak Libai ve Eitan Muller. "Ağdan bahsetmek: Karmaşık sistemler, ağızdan ağza iletişimin altında yatan sürece bakar." Pazarlama mektupları 12.3 (2001): 211-223.

2.2 Grup durumuna dayalı iletişim modeli

Bulaşıcı hastalık modelleri (SI, SIS, SIR), bulaşıcı hastalık modelleri klasik bilgi yayma modelleridir ve internette bol miktarda referans materyali vardır.

• Doğrusal Etki Modeli:

Yang, Jaewon ve Jure Leskovec. "Örtülü ağlarda bilgi yayılımının modellenmesi." Veri Madenciliği (ICDM), 2010 IEEE 10. Uluslararası Konferansı. IEEE, 2010.

2.3 Bilgi özelliklerine dayalı iletişim modeli

Çevrimiçi sosyal ağlardaki bilgiler, kullanıcıların çevrimiçi etkinliklerinin tüm kayıtlarını taşır ve bilgi yayılımının analizinde vazgeçilmez bir rol oynar. Bilginin kendisi de zamanındalık, konu çeşitliliği, çok kaynaklı tetikleme, bilgi işbirliği ve rekabet gibi bazı özelliklere sahiptir. Bu özelliklere göre farklı modeller oluşturulabilir.

Myers, Seth A., Chenguang Zhu ve Jure Leskovec. "Ağlarda bilgi yayılımı ve dış etki." Bilgi keşfi ve veri madenciliği üzerine 18. ACM SIGKDD uluslararası konferansının bildirileri. ACM, 2012.

Beutel, Alex, et al. "Ağlarda etkileşen virüsler: her ikisi de hayatta kalabilir mi?" 18. ACM SIGKDD'nin Bilgi keşfi ve veri madenciliği üzerine uluslararası konferansının bildirileri. ACM, 2012.

Ek olarak, sosyal ağ bilgi yayma yasası üzerine yapılan araştırmalar, ısı tahmini ve bilgi takibini de içerir. İlgilenen okuyucular kendi başlarına kontrol edip anlayabilirler.

3. Konu keşfi ve evrim

Konunun keşfi ve gelişimi üzerine yapılan çoğu araştırmada, bir konu, dikkat çeken bir olay veya faaliyet ile ilgili tüm olay ve faaliyetlerle ilgilidir. Bunların arasında bir olay veya aktivite, belirli bir zamanda ve yerde meydana gelen bir şeyi ifade eder. Sosyal ağ topluluğundaki veriler, geleneksel konu keşif külliyatındaki verilerden oldukça farklıdır, bu nedenle sosyal ağ verilerinin özelliklerine uyum sağlamak için yeni yöntemler kullanmalı veya geleneksel yöntemleri geliştirmeliyiz.

Twitter gibi genel sosyal ağların verileri şu özelliklere sahiptir: büyük veri ölçeği, kısa içerik, çok fazla gürültü ve zengin veri özellikleri.

3.1

• LDA

Blei, David M., Andrew Y. Ng, and Michael I. Jordan. "Latent dirichlet allocation." Journal of machine Learning research 3.Jan (2003): 993-1022.

3.2

Salton, Gerard, Anita Wong, and Chung-Shu Yang. "A vector space model for automatic indexing." Communications of the ACM 18.11 (1975): 613-620.

Becker, Hila, Mor Naaman, and Luis Gravano. "Beyond Trending Topics: Real-World Event Identification on Twitter." ICWSM 11.2011 (2011): 438-441.

3.3

Sayyadi, Hassan, Matthew Hurst, and Alexey Maykov. "Event detection and tracking in social streams." Icwsm. 2009.

3.4

Yin, Zhijun, et al. "LPTA: A probabilistic model for latent periodic topic analysis." Data Mining (ICDM), 2011 IEEE 11th International Conference on. IEEE, 2011.

Wang, Xiaolong, Chengxiang Zhai, and Dan Roth. "Understanding evolution of research themes: a probabilistic generative model for citations." Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2013.

3.5

Lin, Cindy Xide, et al. "The joint inference of topic diffusion and evolution in social communities." Data Mining (ICDM), 2011 IEEE 11th International Conference on. IEEE, 2011.

Saha, Ankan, and Vikas Sindhwani. "Learning evolving and emerging topics in social media: a dynamic nmf approach with temporal regularization." Proceedings of the fifth ACM international conference on Web search and data mining. ACM, 2012.

4.

NP-hard

4.1

Kempe, David, Jon Kleinberg, and Éva Tardos. "Maximizing the spread of influence through a social network." Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2003.

Chen, Wei, Yajun Wang, and Siyu Yang. "Efficient influence maximization in social networks." Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2009.

4.2

Chen, Wei, Yajun Wang, and Siyu Yang. "Efficient influence maximization in social networks." Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2009.

Chen, Wei, Yifei Yuan, and Li Zhang. "Scalable influence maximization in social networks under the linear threshold model." Data Mining (ICDM), 2010 IEEE 10th International Conference on. IEEE, 2010.

2017926

Daha fazla heyecan için lütfen Tsinghua-Qingdao Veri Bilimi Enstitüsü "THU Data Pie" resmi WeChat hesabını takip edin

Birinci Dünya Savaşında Yüzyıllık Zafer 140.000 Çinli işçi muzaffer ulus statüsünü kazanmak için silah yerine kürek kullandı

Chelsea'yi yenmek için 15 saniyelik kontra atak! Bay 57 milyon bir yürüyüş tarzında kovalandı, hakem bile onu geçti

Pozlamayı seviyorum! 7 yıllık evlilikten sonra, Barselona yıldızı hemen seksi bir süper model oldu

Özel Tek bir makalede web tarayıcılarını anlayın

İtalyan Çin Fotoğraf Derneği 2018 Dolomiti Sonbahar Müzayedesi Etkinliği başarıyla sona erdi

Trump'ın teknoloji konusundaki yeni vergi politikası TSMC'yi vurdu, Intel'in güç dökümhanesine yardımcı olacak mı?

Tencent Cloud başkan yardımcısı Li Wei: Patlayan verilerle nasıl başa çıkılır ve bilgi güvenliği nasıl korunur?

"Double 11" Tianhe Havaalanı, uçakların yarı zamanlı teslimatının% 90'ından fazlası, 500'den fazla sorti

Eski sahibini 7 maçta + 5 gol öldür! Balotelli kenarda oynuyor, eski teknik direktör utanmış görünüyor

Özel | Fintech'te Büyük Veri ve Yapay Zeka Teknolojisinin Uygulanması

2 oyun bombalandı ve 3 dünya dalgası! Manchester United kalecisi arka plan tahtası oldu, ünlü yıldız gerçeğe dikkat çekti

Guangyuan, Qingchuan'daki 36 kasabadaki yangın söndürme tesislerinin tam kapsamı