روشی برای شناسایی تاثیر اجتماعی با استفاده از شباهت تعبیه شده و هوموفیلی در شبکه های اجتماعی مکان مبنا

شبکه های اجتماعی مکان مبنا به دلیل داده های ارزشمند موقعیت مکانی و روابط کاربران، در حوزه تجارت و تبلیغات هدفمند بسیار مهم هستند. یک موضوع کلیدی در این شبکه ها، تعیین نفوذ اجتماعی کاربران برای شناسایی افراد تاثیرگذار است. تحقیقات اخیر، نقش شباهت گره ها را در تعیین تاثیر اجتماعی کاربران به روشنی نشان داده است. از بین روشهای محاسبه شباهت گره ها، بسیاری از روش های موجود جنبه های متعدد شباهت بین کاربران را نادیده می گیرند. در این مقاله، با ترکیب دو معیار هوموفیلی و شباهت های تعبیه شده و پایه، تاثیر اجتماعی کاربران درشبکه های مکان مبنا بررسی شده است. نتایج نشان می دهد شباهت ترکیبی به ویژه در مواقعی که کاربران دارای ویژگی های مشابه هستند، موجب افزایش دقت در شناسایی کاربران با نفوذ بیشتر می شود. این بدان معناست که ویژگی های شخصی و اجتماعی کاربران، علاوه بر روابط ساختاری آنها در شبکه، نقش تعیین کننده ای در تحلیل رفتارهای اجتماعی ایفا می کنند. استفاده از مدل های تعبیه گره باعث بهبود دقت شباهت های ساختاری و تشخیص روابط پیچیده میان گره ها شد. با بکارگیری روش پیشنهادی برروی مجموعه داده های واقعی، نشان داده شد که استفاده از مدل های تعبیه گره بدلیل سادگی و عدم صرف زمان برای آموزش داده ها، در پردازش داده های پیچیده تر و بزرگ تر درمقایسه با روش های پیشرفته، از نظر محاسباتی و هزینه قابل رقابت می باشند

a method for identifying social influence using embedded similarity and homophily in location-based social networks

location-based social networks are very important in the field of targeted commerce and advertising due to their valuable location data and user relationships. a key issue in these networks is determining the social influence of users to identify influential users. research has proven the role of node similarity in finding the social influence of users. among the methods for calculating node similarity، many existing methods ignore multiple aspects of similarity between users. in this paper، by combining two criteria of homophily and embedded and basic similarities، the social influence of users in location-based networks is investigated. the results show that combined similarity increases the accuracy in identifying more influential users، especially when users have similar characteristics. this means that the personal and social characteristics of users، in addition to their structural relationships in the network، play a decisive role in analyzing social behaviors. the use of node embedding models improved the accuracy of structural similarities and the detection of complex relationships between nodes. by applying the proposed method on real datasets، it was shown that the use of node embedding models، due to their simplicity and lack of time spent on data training، is computationally and cost-competitive in processing more complex and larger data compared to advanced methods.