فایل ورد کامل یـک روش مستقـل از مــدل برای به حــداکثــر رســاندن نفـوذ اثرگـذار در شبکـه هـای اجتمــاعی

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 یـک روش مستقـل از مــدل برای به حــداکثــر رســاندن نفـوذ اثرگـذار در شبکـه هـای اجتمــاعی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۳ صفحه

عنوان انگلیسی:

A model-independent approach for efficient influence maximization in social networks

~~en~~ writers :

Hemank Lamba • Ramasuri Narayanam

The well-known influence maximization problem (Kempe et al., in proceedings of the 9th SIGKDD
international conference on knowledge discovery and data
mining (KDD), pp 137–۱۴۶, ۲۰۰۳) (or viral marketing
through social networks) deals with selecting a few influential initial seeds to maximize the awareness of product(s) over the social network. As it is computationally
hard (Kempe et al., in proceedings of the 9th SIGKDD
International Conference on Knowledge Discovery and
Data Mining (KDD), pp 137–۱۴۶, ۲۰۰۳), a greedy approximation algorithm is designed to address the influence
maximization problem. However, the major drawback of
this greedy algorithm is that it runs extremely slow even on
network datasets consisting of a few thousand nodes and
edges (Leskovec et al., in proceedings of the 13th SIGKDD
International Conference on Knowledge Discovery and
Data Mining (KDD), pp 420–۴۲۹, ۲۰۰۷; Checn et al., in
proceedings of the 15th ACM SIGKDD International
Conference on Knowledge Discovery and Data Mining
(KDD), pp 937–۹۴۴, ۲۰۰۹). Several efficient heuristics
have been proposed in the literature (Checn et al., in proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD),
pp 937–۹۴۴, ۲۰۰۹) to alleviate this computational difficulty; however, these heuristics are designed for specific
influence propagation models such as linear threshold
model and independent cascade model. This motivates the
strong need to design an approach that not only works with
any influence propagation model, but also efficiently solves
the influence maximization problem. In this paper, we
precisely address this problem by proposing a new
framework which fuses both link and interaction data to
come up with a backbone for a given social network, which
can further be used for efficient influence maximization.
We then conduct thorough experimentation with several
real-life social network datasets such as DBLP, Epinions,
Digg, and Slashdot and show that the proposed approach is
efficient as well as scalable.

Keywords: Social networks | Influence maximization | Sparsification

$$en!!