ارائه روشی جدید برای تشخیص گره‌های پرنفوذ در گراف شبکه‌های اجتماعی با استفاده از روش‌های یادگیری عمیق

یکی از مسائل مهم در شبکه های اجتماعی بزرگ، شناسایی کاربران بانفوذ برای بیشینه سازی انتشار اخبار و پیام ها است که عموماً تحت عنوان مشکل بیشینه سازی تاثیر در شبکه های اجتماعی (مشکل sim)، شناخته می‌شود. موفقیت روند انتشار در این شبکه ها بستگی به مکانیسم انتخاب کاربران تاثیرگذار دارد. از طرفی با افزایش سرعت رشد و حجم داده ها در گراف شبکه های اجتماعی بزرگ یکی از معضلات اصلی، تعداد بسیار زیاد گره ها و یال هاست که انجام هر نوع پردازشی روی آن را با مشکلات متعدد روبه‌رو می سازد. اجرای روش های سنتی بر روی گراف های بزرگ و دارای داده های با ابعاد بالا، سخت و زمان‌بر است و باید روش های موثرتری به‌کار گرفته شود. در این مقاله ما با استفاده از یادگیری عمیق، روش جدیدی برای کاهش ابعاد گراف شبکه‌های اجتماعی پیشنهاد داده و سپس با در نظر گرفتن حداقل هم‌پوشانی بین گره ها تلاش می کنیم تا راه‌حل جدید و موثری را برای مسئله بیشینه سازی تاثیر ارائه دهیم. در ادامه نتایج حاصل از شبیه سازی در دنیای واقعی، نشان‌دهنده عملکرد بهتر روش پیشنهادی از نظر زمان اجرا و میزان گسترش نفوذ نسبت به تکنیک‌های سنتی است.

a new method for detecting influential nodes in social network graphs using deep learning techniques

one of the most important issues in large social networks is identifying influential users to maximize the diffusion of news and messages which is popularly known as the social influence maximization problem (sim problem). the success of the diffusion process in these networks depends on the influential users’ selection mechanism. on the other hand, with the increase in growth rate and data size in the graph of large social networks, one of the main challenges is the large number of nodes and edges which makes any processing problematic. implementing traditional methods on large graphs with high-dimensional data is difficult and time consuming, and more efficient methods must be used. in this paper, a new method for reducing the graph size of social networks using deep learning is proposed, followed by providing a novel and effective solution to the social influence maximization problem by considering the minimum overlap between nodes. the findings of the simulation in the real world show better performance of the proposed method in terms of execution time and spread of influence than traditional techniques.