یافتن گره های بانفوذ در مدل انتشار آستانه خطی با استفاده از نظریه بازی همکارانه

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 926

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC01_181

تاریخ نمایه سازی: 9 فروردین 1395

چکیده مقاله:

در هر وضعیتی که تعاملی وجود داشته باشد، نظریه بازی به عنوان یک ابزار تحلیلی می تواند استفاده شود. شبکه های اجتماعینیز می توانند نشان دهنده یک رابطه همکاری و یا تعامل بین افراد و یا سازمان ها باشند. لذا نظریه بازی می تواند به عنوان یکابزار تحلیلی جهت تحلیل شبکه های اجتماعی کمک کند. یکی از انواع بازی ها، بازی های همکارانه هستند که می توانند درتحلیل شبکه های اجتماعی کاربرد فراوانی داشته باشند. با استفاده از مفاهیم راه حل در بازی های همکارانه مانند مقدار شاپلیمی توان گره ها را در یک شبکه اجتماعی رتبه بندی نمود. یافتن بانفوذترین افراد در یک شبکه اجتماعی که در جهت بیشینه-سازی تأثیر انجام می شود یکی از مباحث کاربردی در شبکه های اجتماعی است. از آنجایی که تصمیم گیری یک فرد در یکشبکه اجتماعی می تواند تحت تأثیر افراد دیگر باشد (و یا واکسینه نمودن یک فرد، باعث جلوگیری از انتشار بیماری در شبکه ایاز افراد شود) لذا چنانچه به توان افراد با نفوذ را شناسایی کرد، این افراد می توانند بهبودهایی را در مواردی مانند تبلیغاتویروسی داشته باشند. نکته حائز اهمیت این است که تأثیر افراد با نفوذ بر روی تصمیم گیری افراد داخل جامعه ای که به آنتعلق دارند نسبت به افراد خارج آن بسیار بیشتر خواهد بود.

نویسندگان

نیما شیخ خانی

دانشگاه آزاد اسلامی واحد تهران جنوب

مریم خادمی

دانشگاه آزاد اسلامی واحد تهران جنوب

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • آ .آبنوسی، پیش‌گیری از شیوع بیماری در شبکه‌های اجتماعی، دانشگاه ...
  • ارائه روشی جدید برای شناسایی گره های فعال و تاثیرگذار در شبکه های اجتماعی [مقاله کنفرانسی]
  • م .صدیقین، استراتژی‌های بازاریابی ویروسی در شبکه‌های اجتماعی، دانشگاه صنعتی ...
  • ational CConference _ Inform ation Technol _ .xmrnter _ _ ...
  • ational CConference _ Inform ation Technol _ .xmrnter _ _ ...
  • https ://clas S.courSer. org/sna- _ 04 2014 ...
  • ANJERANI, M. & MOEINI, A. Selecting influential nodes for detected ...
  • BANZHAF II, J. F. 1964. Weighted voting doesn't work: A ...
  • BINMORE, K. 2007. Game theory: a very short introduction, OUP ...
  • C HALKIAD AKI S _ G., ELKIND, E& .WO OLDRIDGE, ...
  • CHEN, W., WANG, C. & WANG, Y. Scalable influence maximization ...
  • DOMNGOS, P. & RICHARD SON, M. Mining the network value ...
  • EVERETT, M. G. & BORGATTI, S. P. 1999. Thecentrality of ...
  • GOMEZ, D., G ONzALEz -ARAN GUENA, E., MANUEL, C., OWEN, ...
  • ADAMIC, L. 2014. Social Network Analysis https ://clas S.courSer. org/sna- ...
  • GOYAL, _ BONCHI, F., LAK SHMANAN _ _ V. & ...
  • JACKSON, M. O. 2008. Representing and Measuring Networks .Social and ...
  • KEMPE, D., KLEINBERG, _ Maximizing the spread of influence through ...
  • KEMPE, D., KLEINBERG, ) & rARDos, E. 2005. Influential nods ...
  • KNUTH, D. E., KNUTH, D. E. & KNUTH, D. E. ...
  • LEE, Z. Q., HSU, W.-J. & LIN, M. Efficient algorithm ...
  • LESKOVEC, J., KRAUSE, A., GUESTRIN, C., FALOUT SOS _ C., ...
  • LESKOVEC, J. & MCAULEY, J. J. Learning to discover social ...
  • MICHALAK, T. P., AADITHYA, K. V., SZCZEPAN SKI, P. L., ...
  • N ARAYANAN _ R. & NARAHARI, Y. 2010. A shapley ...
  • OSBORNE, M. J. 2004. An introduction o game theory, Oxford ...
  • PANDIT, S., YANG, Y. & CHAWLA, N. V. Maximizing information ...
  • PELEG, B. & SUDHOLTER, P. 2007. Introduction o the theory ...
  • SUN, J. & TANG, J. 2011. A survey of models ...
  • ZHOU, S., YUE, K., FANG, Q , ZHU, Y. & ...
  • نمایش کامل مراجع