یافتن گره‌های پرنفوذ جهت انتشار رفتار اعتماد در شبکه‌های اجتماعی

اعتماد یکی از مهم‌ترین موضوعات مطرح‌شده در حوزه شبکه‌های اجتماعی است. اغلب اوقات نحوه اعتماد همه کاربران در این شبکه ها به صورت یکسان در نظر گرفته می شود. درحالی‌که کاربران شبکه های اجتماعی می‌توانند نظرات متفاوتی در نحوه اعتماد به سایرین داشته باشند و ممکن است فاکتورهای مختلفی را در اعتماد به سایر اعضا در نظر بگیرند. همچنین کاربران می توانند بر روی نظرات یکدیگر اثر گذاشته و باعث تغییر رفتار دیگر کاربران در اعتماد نمودن به افراد شوند. به همین دلیل، مکانیزم و شیوه تاثیرگذاری کاربران بر روی نظر و رفتار اعتماد به یکدیگر و شرایط تغییر حالات رفتاری، از اهمیت زیادی برخوردار خواهد بود. هدف ما در این مقاله در مرحله اول در نظر گرفتن رفتار متفاوت کاربران شبکه‌های اجتماعی در نحوه اعتماد کردن آن‌ها به سایر کاربران است. برای این منظور سه حالت رفتاری مهم در نحوه اعتماد کاربران در نظر گرفته‌شده است. در هرکدام از این حالت‌ها ویژگی‌های مختلف رفتاری و عملکردی کاربران مبنای محاسبه اعتماد هستند که بر مبنای باور ذهنی افراد شکل می گیرند. در مرحله بعدی نحوه انتشار رفتار اعتماد کاربران در شبکه اجتماعی هدف و نوآوری این مقاله است. برای این منظور، سه سناریو مختلف برای اثرگذاری و انتشار رفتار گره‌ها در نظر گرفته شده است. به دنبال آن به بیشینه‌سازی اثر و یافتن افراد پرنفوذ جهت انتشار رفتار اعتماد در شبکه‌های اجتماعی پرداخته‌شده است. برای این منظور بر روی ساختار شبکه اجتماعی افراد تمرکز شده و تاثیرگذارترین افراد با توجه به سناریوهای مختلف انتشار تعیین‌شده‌اند. نتایج به‌دست‌آمده نشان‌دهنده وجود اختلاف در میزان اعتماد در هرکدام از حالت های مختلف رفتاری است که دارای تطابق بیشتری با واقعیت است. با بررسی آزمایش ها به این نتیجه می رسیم که در مدل پیشنهادی، انتخاب گره شروع از هر اجتماع با 48.14 درصد دارای تاثیر بهتری در بهبود رفتار، دامنه و سرعت انتشار و گره با بیشترین درجه با 37.03 درصد نسبت به روش های متداول دارای جواب بهتری در تغییر رفتار است.

Identifying Influential Nodes to Diffuse the Trusting Behavior in Social Networks

Trust is one of the most important cornerstones in social networkschr( #39;39 #39;) discussions. Most of the times the way that users of these networks trust each other are considered identical, while these users can have different approaches and considerations in trusting to others. Meanwhile, users can impress each other and change their trusting patterns to other users. As a result, the mechanism and manner of impressing opinion trust behavior and conditions of behavioral modes changing have a place of importance to be considered. The question is that, how we can consider different behavior of users and their impression in trusting others? In the first step, the main purpose of this paper is to spotlight social networkschr( #39;39 #39;) different user behavior in trusting other users. For this purpose, the three most important behavioral modes in userschr( #39;39 #39;) trust are considered. In each of these modes behavioral and functional characteristics of users are the basis of calculating trust, which is based on mental beliefs of them. These modes are named as optimistic, moderate and pessimistic trusting modes. In optimistic mode, we suppose that users think positively and consider low level of activities and signs in trusting others. Here, negative interactions have little impact on users mind. In moderate mode, we suppose that users are not as optimistic as mode A and consider all the interactions and signs when they want to trust others. Here, any negative action can destroy the trust of users and has a greater impact on users. Finally, in pessimistic mode, we suppose that users are pessimistic and trust hardly. In this mode, the interactions that happened more recently have more value than those that happened in the past.In the next step, the way that the trust behavior of users spreads is the goal and innovation of this paper. Three different scenarios are considered for the impressing and spreading of nodeschr( #39;39 #39;) behavior, purposely. In each scenario, different states for users and different purposes for diffusion are defined. Next, it is followed by maximizing of impression and finding more impressive agents in diffusing trust behavior through social networks. For this purpose, itchr( #39;39 #39;)s focused on the structure of userschr( #39;39 #39;) social networks, and the most impressive ones are determined through different diffusion scenarios. The findings of this article appear a significant discrepancy in the amount of trust in each of the different behavioral modes, which is more acceptable in the real world. Analyzing test results leads us to the fact that in the presented model, choosing the start node from each community with 48.14 percent in behavior improvement and diffusion speed and the nodes with the highest degree with 37.03 percent in behavior changing has much more reasonable results than usual models.​