論文の概要: A Spreader Ranking Algorithm for Extremely Low-budget Influence Maximization in Social Networks using Community Bridge Nodes

• arxiv url: http://arxiv.org/abs/2211.09657v1
• Date: Thu, 17 Nov 2022 16:53:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 17:05:47.221148
• Title: A Spreader Ranking Algorithm for Extremely Low-budget Influence Maximization in Social Networks using Community Bridge Nodes
• Title（参考訳）: コミュニティブリッジノードを用いたソーシャルネットワークにおける超低予算影響最大化のためのスプレッドラーランキングアルゴリズム
• Authors: Aaryan Gupta, Inder Khatri, Arjun Choudhry, Pranav Chandhok, Dinesh Kumar Vishwakarma, Mukesh Prasad
• Abstract要約: 影響最大化(IM)の目的は、特定の情報の拡散を最大化するためのネットワーク内の特定のノードを特定することである。 そこで我々は,K-Shellアルゴリズムを用いて,シードノードとコミュニティ間の接続のスコアを生成するコミュニティ構造に基づくアプローチを提案する。 Independent Cascade(IC)モデルを選択し、情報拡散をシミュレートし、4つの評価指標で評価する。
• 参考スコア（独自算出の注目度）: 12.691905338833372
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In recent years, social networking platforms have gained significant popularity among the masses like connecting with people and propagating ones thoughts and opinions. This has opened the door to user-specific advertisements and recommendations on these platforms, bringing along a significant focus on Influence Maximisation (IM) on social networks due to its wide applicability in target advertising, viral marketing, and personalized recommendations. The aim of IM is to identify certain nodes in the network which can help maximize the spread of certain information through a diffusion cascade. While several works have been proposed for IM, most were inefficient in exploiting community structures to their full extent. In this work, we propose a community structures-based approach, which employs a K-Shell algorithm in order to generate a score for the connections between seed nodes and communities for low-budget scenarios. Further, our approach employs entropy within communities to ensure the proper spread of information within the communities. We choose the Independent Cascade (IC) model to simulate information spread and evaluate it on four evaluation metrics. We validate our proposed approach on eight publicly available networks and find that it significantly outperforms the baseline approaches on these metrics, while still being relatively efficient.
• Abstract（参考訳）: 近年、ソーシャルネットワークプラットフォームは、人とのつながりや、考えや意見を広めるなど、大衆の間で大きな人気を集めている。 これにより、ターゲット広告、バイラルマーケティング、パーソナライズされたレコメンデーションに幅広い適用性があることから、ソーシャルネットワークにおけるユーザー固有の広告やレコメンデーションへの扉が開かれた。 IMの目的は、拡散カスケードを介して情報の拡散を最大化するネットワーク内の特定のノードを特定することである。 IMのためのいくつかの研究が提案されているが、ほとんどがコミュニティ構造を最大限に活用する上で非効率であった。 本研究では,K-Shellアルゴリズムを用いて,低予算シナリオにおけるシードノードとコミュニティ間のコネクションのスコアを生成するコミュニティ構造に基づくアプローチを提案する。 さらに,コミュニティ内の情報の適切な拡散を確保するために,コミュニティ内のエントロピーを活用している。 Independent Cascade(IC)モデルを選択し、情報拡散をシミュレートし、4つの評価指標で評価する。 提案手法を8つの公開ネットワーク上で検証し,これらの指標のベースラインアプローチを著しく上回っているが,それでも比較的効率的であることがわかった。

関連論文リスト

• Influence Maximization via Graph Neural Bandits [54.45552721334886]
  IM問題を多ラウンド拡散キャンペーンに設定し,影響を受けやすいユーザ数を最大化することを目的とした。 IM-GNB(Influence Maximization with Graph Neural Bandits)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T17:54:33Z)
• Fair Information Spread on Social Networks with Community Structure [2.9613974659787132]
  インフルエンス・マキシミザ・オン(IM)アルゴリズムは、情報が提供された場合、ソーシャルネットワークを通じて最も大きなスプレッドを発生させる個人を特定することを目的としている。 この作業は、最適公正情報拡散のためのシードアロケーション戦略を決定するために使用されるソーシャルネットワークにモデルを適用することに依存する。
  論文  参考訳（メタデータ） (2023-05-15T16:51:18Z)
• Collaborative Mean Estimation over Intermittently Connected Networks with Peer-To-Peer Privacy [86.61829236732744]
  本研究は、断続接続を有するネットワーク上での分散平均推定(DME)の問題について考察する。 目標は、中央サーバの助けを借りて、分散ノード間でローカライズされたデータサンプルに関するグローバル統計を学習することだ。 ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
  論文  参考訳（メタデータ） (2023-02-28T19:17:03Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• 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)
• GAC: A Deep Reinforcement Learning Model Toward User Incentivization in Unknown Social Networks [3.3946853660795884]
  本稿では,GAC(Geometric Actor-Critic)と呼ばれるエンドツーエンドの強化学習に基づくフレームワークを提案する。 提案したGACの性能を評価するために,実世界の3つのソーシャルネットワークデータセットを用いた。
  論文  参考訳（メタデータ） (2022-03-17T19:41:49Z)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)
• 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)
• Contingency-Aware Influence Maximization: A Reinforcement Learning Approach [52.109536198330126]
  インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。 本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。 最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
  論文  参考訳（メタデータ） (2021-06-13T16:42:22Z)
• A multilevel clustering technique for community detection [0.0]
  本研究では,ネットワーク内の関連コミュニティを識別するスケーラブルなフレームワークに基づく新しい検出手法を提案する。 マイクロコズムと呼ばれる地域社会を識別するために構造的およびテキスト的情報を活用するマルチレベルクラスタリング手法(MCT)を提案する。 このアプローチは、低レベルのコミュニティがTwitterでどのように進化し、行動するかを説明するためのより良い理解と明快さを提供します。
  論文  参考訳（メタデータ） (2021-01-16T23:26:44Z)
• 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。