فایل ورد کامل ارزیابی و اعتباریابی استراتژیهای بازاریابی ویروسی در تویتر از طریق شبیه سازی اجتماعی مبتنی بر عامل

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل ارزیابی و اعتباریابی استراتژیهای بازاریابی ویروسی در تویتر از طریق شبیه سازی اجتماعی مبتنی بر عامل،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۰ صفحه

۸ نتیجه گیری و کارهای آتی
این مقاله تکنولوژی استفاده از راه حل اجتماعی مبتنی بر عامل (ABSS) را به طراحی و ارزیابی استراتژیهای بازاریابی ویروسی در تویتر گسترش می دهد. اگرچه کارهای زیادی در زمینه تجزیه و تحلیل داده های تویتر نظیر کتابهای راشل وجود دارد، اما به نظر مولفین، این اولین کار پژوهشی است که راهبردهایی در زمینه استفاده از داده های تویتر در یک تحقیق ABSS مطرح می شود. روش پیشنهادی موارد زیر را در نظر می گیرد: طراحی مدل مبتنی بر عامل، مدلسازی استراتژیهای بازاریابی، پاکسازی و پیش پردازش داده ها، تجزیه و تحلیل داده های اکتشافی، ساخت مدل، آزمایشات ارزیابی، و آزمایشات استراتژیها. علاوه بر بحث راجع به روش،این کار از مسئله درست مطالعه شده بازاریابی ویروسی برای تشریح آن پیروی کرده است که کنترل و انتشار شایعه در شبکه های اجتماعی نام دارد. مرور گسترده کارهای مرتبط نشان می دهد مدلسازی اپیدمیولوژیکی شیوه ای برتر برای مدلسازی گسترش اطلاعات غلط می باشد. این مقاله، شیوه پیشنهادی را با این فرض به چالش می کشاند که آن دسته از کاربرانی که تشخیص می دهند یک شایعه غلط در تویتر گسترش یافته است به طور نمونه: (۱) ضد شایعه گسترش نخواهند داد، یا (۲) مدارک تجربی دال بر عقب نشینی و انقباض وجود نخواهد داشت. بنابریان، کاربران بازیابی شده بر بازیابی همسایگانشان اثرگذار نخواهند بود.
کارآتی اصلی در این رشته تحقیق ادغام مدلهای مطرح شده با تکنولوژیهای داده های بزرگ می باشد. یکی دیگر از کارهای آتی مهم، در نظر گرفتن قدرت پیوندها در مطالعه استراتژیهای بازاریابی ویروسی می باشد. طبق اظهارات ، از داده های تعاملی می توان برای پیش بینی قدرت پیوندها استفاده نمود: ضعیف، میانی یا قوی. به علاوه، رویدادها ترجیحاً اطلاعات جدید را از طریق پیوندهای ضعیف به عبارتی لینک های رابط گروههای مختلف، ارسال می کنند. این لینک ها به سرعت پیغام ها را گسترش داده (منتشر کرده) و به بخشهای بزرگی از کاربران شبکه های اجتماعی متصل می شوند.

عنوان انگلیسی:Validating viral marketing strategies in Twitter via Agent-based Social Simulation~~en~~

۸ Conclusion and future works

This paper advances the state of the art in the use of Agent-based social simulation (ABSS) to design and validate viral marketing strategies in Twitter. Although there are extensive works in Twitter data analysis such as Russell’s books (Russell, 2011a, 2011b), to the best of the authors’ knowledge, this is the first research work where guidelines are given to use Twitter data in an ABSS research. The method proposed contemplates among others: the agentbased model design, modeling the marketing strategies, the data scraping and preprocessing, the exploratory data analysis, the model construction, the validation experiments, and the strategies experiments. In addition to the method discussion, this work has followed a well studied problem of viral marketing to illustrate it, the rumor control and diffusion in social networks. An extensive review of related works reveals that the epidemiological modeling is the hegemonic approach to model misinformation spreading. This paper challenges that approach by assuming that users who realize that have spread a false rumor in Twitter typically: (1) will not spread anti-rumors, or (2) there will not be empirical evidence of the retraction. Therefore, the recovered users will not affect the recovery of their neighbors. The main future work in this research line is the integration of the presented models with Big Data technologies. Another important future work is to consider the strength of ties in the study of viral marketing strategies. As proposed by De Meo et al. (De Meo et al., 2014), interaction data can be used to predict the strength of ties: weak, intermediary, or strong. Moreover, events transmitting new information go preferentially through weak ties, i.e. links connecting different groups (Grabowicz et al., 2012). These links quickly spread messages and touch large segments of social networks users.

$$en!!