یک روش هرس جدید برای شناسایی گره‌های موثر در شبکه‌های اجتماعی

شناسایی گره‌های موثر در شبکه‌های اجتماعی به منظور بیشینه سازی انتشار از اهمیت بالایی برخوردار است. شبکه‌های اجتماعی، نوعی از داده‌های گرافی هستند که در آنها هر گره معرف یک فرد و هر یال معرف ارتباط میان دو فرد است. با توجه به آنکه افراد مرتبط در شبکه‌های اجتماعی، تحت تاثیر یکدیگر هستند و حجم اطلاعات وسیع روزانه توسط کاربران مختلف در شبکه‌های اجتماعی ارسال می‌شود، تعیین افراد تاثیر گذار در تولید و انتشار اطلاعات بسیار مهم است. استخراج کاربران موثر، به به صورت مسئله بیشینه سازی انتشار مدل می‌شود. در این مقاله، یک روش هرس پیشنهاد شده است تا بتوان در گراف کوچکتری به طور کاراتری گره‌های موثر را شناسایی کرد. بنابراین، پس از استخراج داده‌های شبکه‌های اجتماعی، یالهای گراف توسط معیار مرکزیت بینابینی یال وزن دار شده و سپس یالهایی که وزنی کمتر از میانگین دارند هرس شده و با استفاده از معیارهای مرکزیت گره‌های موثر در گراف هرس شده انتخاب می‌شوند. به منظور ارزیابی روش پیشنهادی، با استفاده از مدل انتشار آستانه خطی، زمان اجرا و متوسط تعداد گره‌های فعال شده براساس مجموعه‌ای از گره‌های فعال اولیه در مقایسه با الگوریتم‌های پایه مبتنی بر مرکزیت گزارش شده است. نتایج شبیه سازی حاکی از بهبود نسبی در نتایج بدست آمده است.

A New Pruning Method for Identifying Influential Nodes in Social Networks

Identifying influential nodes to influence maximization plays an important role in social networks. Social networks are a type of graph data in which each node represents one person, and each edge represents a relationship between two people. Based on the relationship and interaction among people in social networks, they are influenced by each other, and different users in social networks propagate a large amount of information daily. Thus, it is essential to identify the influential people in spreading information. Identifying influential users is modeled as a problem of influence maximization. This paper proposes a pruning method to identify influential nodes effectively in a smaller graph. Therefore, after extracting the social network data, the edges of the graph are weighted by the edge betweenness centrality measure, and then the edges that weigh less than the average weight are pruned, and the influential nodes in the pruned graph are selected using any centrality measure. To evaluate the proposed pruning method, using the LTM diffusion model, the running time and the average number of activated nodes based on a set of initial active nodes compared to the baseline algorithms based on the centrality algorithm have been reported. The simulation results show a relative improvement in the results obtained.