論文の概要: ABEM: An Adaptive Agent-based Evolutionary Approach for Mining
Influencers in Online Social Networks
- arxiv url: http://arxiv.org/abs/2104.06563v1
- Date: Wed, 14 Apr 2021 00:31:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-16 00:32:31.697470
- Title: ABEM: An Adaptive Agent-based Evolutionary Approach for Mining
Influencers in Online Social Networks
- Title（参考訳）: ABEM:オンラインソーシャルネットワークにおけるマイニングインフルエンサーのための適応エージェントベースの進化的アプローチ
- Authors: Weihua Li, Yuxuan Hu, Shiqing Wu, Quan Bai, Edmund Lai
- Abstract要約: オンラインソーシャルネットワークにおける進化的影響力の重要なステップは、インフルエンサーとして知られる少数のユーザーの識別です。
これらのネットワークの構造の進化する性質は、これらのインフルエンサーを見つけて識別することを困難にします。
静的ネットワークと動的ネットワークの両方の文脈でこの問題に対処するための適応型エージェントベースアプローチを提案する。
- 参考スコア（独自算出の注目度）: 1.6128569396451058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A key step in influence maximization in online social networks is the
identification of a small number of users, known as influencers, who are able
to spread influence quickly and widely to other users. The evolving nature of
the topological structure of these networks makes it difficult to locate and
identify these influencers. In this paper, we propose an adaptive agent-based
evolutionary approach to address this problem in the context of both static and
dynamic networks. This approach is shown to be able to adapt the solution as
the network evolves. It is also applicable to large-scale networks due to its
distributed framework. Evaluation of our approach is performed by using both
synthetic networks and real-world datasets. Experimental results demonstrate
that the proposed approach outperforms state-of-the-art seeding algorithms in
terms of maximizing influence.
- Abstract（参考訳）: オンラインソーシャルネットワークにおける影響力の最大化の鍵となるステップは、インフルエンサーとして知られる少数のユーザーの識別であり、他のユーザーに素早く広く影響力を広めることができる。
これらのネットワークのトポロジカル構造の進化は、これらのインフルエンサーの特定と同定を困難にしている。
本稿では,静的ネットワークと動的ネットワークの両方の文脈でこの問題に対処するための適応エージェントベースの進化的アプローチを提案する。
このアプローチは、ネットワークが進化するにつれて、ソリューションに適応できることが示されている。
分散フレームワークのため、大規模ネットワークにも適用可能である。
本手法の評価は合成ネットワークと実世界のデータセットの両方を用いて行う。
実験の結果, 提案手法は, 影響最大化の観点から, 最先端の播種アルゴリズムよりも優れていることがわかった。
関連論文リスト
- Identification of important nodes in the information propagation network
based on the artificial intelligence method [2.1331883629523634]
我々はDEMATEL(Decision-making Trial and Evaluation Laboratory)とGSM(Global Structure Model)を組み合わせた新しい手法を提案する。
この方法は、社会、交通、通信システムなど、様々な複雑なネットワークに適用される。
我々の分析では、これらのネットワークの構造的ダイナミクスとレジリエンスを強調し、ノード接続とコミュニティ形成に関する洞察を明らかにした。
論文 参考訳（メタデータ） (2024-02-29T23:43:08Z) - Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。
GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文 参考訳（メタデータ） (2022-11-15T13:00:25Z) - A Community-Aware Framework for Social Influence Maximization [40.842329580198324]
我々は、影響の最大化(IM)の問題を考える:「もし、ソーシャルネットワーク内の一部の個人を説得して、新しい製品やイノベーションを採用することができれば、その目標は、どの個人がターゲットにすべきかという大きなカスケードを誘発することである」。
本研究では,地域社会に固有のコミュニティ構造を学習すること (i) それぞれのコミュニティに影響を及ぼす問題を解くことによって,候補ソリューションを生成すること (ii) 新規なプログレッシブ予算方式を用いて,候補ソリューションから個人の最終セットを選択すること (iii) を提案する。
論文 参考訳（メタデータ） (2022-07-18T20:43:17Z) - Provably Efficient Reinforcement Learning for Online Adaptive Influence
Maximization [53.11458949694947]
本稿では,リアルタイムフィードバックに基づいてシードノードを逐次活性化する,コンテンツ依存型オンライン影響問題の適応バージョンについて検討する。
提案アルゴリズムは,最適政策を楽観的に改善しつつ,ネットワークモデルの推定を保守し,適応的にシードを選択する。
論文 参考訳（メタデータ） (2022-06-29T18:17:28Z) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳（メタデータ） (2022-04-18T09:25:06Z) - Towards Modularity Optimization Using Reinforcement Learning to
Community Detection in Dynamic Social Networks [0.0]
本稿では,強化学習戦略に基づく動的ネットワークにおけるコミュニティ検出問題に対するアプローチを提案する。
合成および実世界の動的ネットワークデータを用いた実験は、静的シナリオに匹敵する結果を示す。
論文 参考訳（メタデータ） (2021-11-25T19:55:57Z) - Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。
私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
論文 参考訳（メタデータ） (2021-11-11T11:31:20Z) - CLAIM: Curriculum Learning Policy for Influence Maximization in Unknown
Social Networks [14.695979686066062]
本稿では,RL法のサンプル効率を向上させるために,CLAIM-Curriculum LeArning Policy for Influence Maximizationを提案する。
実世界のデータセットで実験を行い、我々のアプローチが現在の最良のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2021-07-08T04:52:50Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z) - Multi-Agent Reinforcement Learning for Adaptive User Association in
Dynamic mmWave Networks [17.295158818748188]
マルチエージェント強化学習に基づくユーザアソシエーションのためのスケーラブルで柔軟なアルゴリズムを提案する。
ユーザーは、ローカルな観察のみに基づいて、ネットワークの総和率を最適化するために、自律的に行動を調整することを学習する独立したエージェントとして振る舞う。
シミュレーションの結果,提案アルゴリズムは無線環境の変化に適応できることを示す。
論文 参考訳（メタデータ） (2020-06-16T10:51:27Z) - DiffNet++: A Neural Influence and Interest Diffusion Network for Social
Recommendation [50.08581302050378]
ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。
ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。
本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
論文 参考訳（メタデータ） (2020-01-15T08:45:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。