بهبود عدالت در بیشینه ‌سازی تاثیر در شبکه‌های اجتماعی با استفاده از الگوریتم بهینه سازی گرگ خاکستری

بیشینه سازی تاثیر یکی از مسائل پرکاربرد در حوزه‌ی انتشار اطلاعات در شبکه‌های اجتماعی برخط و برون خط است که دارای کاربردهای متعددی در شبکه‌ها است. هدف از بیشینه‌سازی تاثیر، انتخاب یک گروه کوچک از افراد در اجتماع است به طوری که با انتخاب این کاربران، انتشار و گسترش تاثیر در مسئله مورد نظر (مانند خبر، توصیه و ..) را در کل آن جامعه بیشینه سازد. اما مفهومی که در رابطه با این مسئله کمتر مورد توجه قرار گرفته، بحث عدالت در انتشار اطلاعات است. یک شبکه اجتماعی از گروه‌های مختلفی از افراد تشکیل شده است. عدالت در انتشار اطلاعات بدین معنی است که درصد افرادی که در هر گروه اطلاعات را دریافت می‌کنند از یک آستانه کمتر نباشد. بنابراین مسئله تک هدفه بیشینه سازی تاثیر تبدیل به مسئله چندهدفه‌ای می‌شود که هدف در آن، علاوه بر گسترش تاثیر، رعایت عدالت می‌باشد. در این مقاله، ابتدا معیار استفاده شده برای اندازه‌گیری عدالت را معرفی می‌کنیم. سپس چارچوبی الگوریتمی برای بهینه‌سازی چند هدفه مسائل ترکیبیاتی مبتنی بر بهینه‌ساز چند هدفه گرگ خاکستری ارائه داده و از آن برای حل مسئله مطرح شده بهره می گیریم. در نهایت، برای نشان دادن کارایی الگوریتم ارائه شده، نتایج به دست آمده را بر روی مجموعه داده‌های واقعی با یک الگوریتم حریصانه مقایسه می‌کنیم. این مقایسه نشان می‌دهد الگوریتم ما همزمان میزان تاثیر و عدالت را در شبکه افزایش می‌دهد.

Improving Fairness of Influence Maximization in Social Networks Using Grey Wolf Optimizer

Influence Maximization is one of the most popular problems in social networks, which has many applications in real-world networks. Influence maximization is the problem of finding a small subset of nodes (seed nodes) in a social network that could maximize the spread of influence. However, fairness has not been considered widely in this domain. An important question is whether the benefits of such information propagation in a social network is fairly distributed across different groups in the population. Thus, single-objective influence maximization problem turns to the multi-objective problem, in which both the spread of influence and fairness must be considered. In this paper, we first introduce the measure we use for measuring fairness in influence maximization. Then, we propose an algorithmic framework, based on multi-objective grey-wolf optimizer, for multi-objective optimization of combinatorial problem, and use it to solve the explained problem. Finally, we compare our results on real-world datasets with some greedy algorithm to show the effectiveness of the proposed method. The results show that our algorithm improves both influence and fairness in the network.