ارائه مدلی کارا برای یافتن الگوی انتشار اطلاعات در شبکه های اجتماعی

دنیای اینترنت، وب2 و تکنولوژی¬های آن باعث به وجود آمدن گونه¬های جدیدی از ارتباط میان انسان¬ها شده است. این تکنولوژی¬ها به راحتی در دسترس کاربران قرار دارند و به آنها اجازه می¬دهند تا از طریق وبلاگ، ایمیل، پیام¬های متنی فوری و شبکه اجتماعی با سایر کاربران تعامل برقرارکنند. کاربران از طریق شبکه¬های اجتماعی قادر خواهند بود تا عقاید، توصیه¬ها و نظرات خود را در مورد کالا¬ها و خدمات و اخبار به اشتراک گذارند و از نظرات و عقاید سایر افراد باخبر گردند. شبکه¬های اجتماعی، علیرغم تفاوت در ساختار و نوع تعاملات اجتماعی بین اعضای خود، ویژگی¬های آماری مشترکی دارند. جدا از ویژگی¬های آماری مشترک میان شبکه¬های اجتماعی، ویژگی¬ دیگری را نیز می¬توان در نظر گرفت ،این ویژگی، فرآیند انتشار در شبکه های اجتماعی نام دارد. انتشار اطلاعات یک تعریف عمومی است که شامل هر چیزی که در یک شبکه گسترش می¬یابد، می¬شود. همان¬طور که اشاره گردید یکی از جدید¬ترین و مهم¬ترین موضوعات تحقیقی در حوزه انتشار اطلاعات که در سال¬های اخیر توجه متخصصان تحلیل شبکه¬های اجتماعی را به خود جلب کرده است، نحوه انتشار اطلاعات در شبکه¬های اجتماعی، مسیر¬های انتشاری و الگوی انتشار اطلاعات در این شبکه¬ها می¬باشد. درحقیقت تمرکز این مبحث بر روی پیدا کردن الگوی کارایی است تا بتواند نحوه¬ی انتشار اطلاعات را برطبق واقعیت پیش بینی و مدل نماید که کاربردهای عمده¬ای در زمینه¬های متفاوتی چون خرید محصولات توسط مردم، انتشار ویروس¬ها و آلودگی¬های کامپیوتری، پست¬گذاری در بلاگ¬ها ، انتشار شایعات در شبکه¬های اجتماعی و ... می-تواند داشته باشد. برای یافتن الگوی انتشار، نودهایی که در گذشته تحت تاثیر یک خبر منتشر شده قرار گرفته¬اند در نظر گرفته شده و براساس یک سری از پارامترها، نودهایی که در آینده تحت تاثیر خبر قرارخواهند گرفت، به عنوان تابعی از زمان پیش بینی می¬گردند. یکی از پارامترهای مورد استفاده در این مدل محبوبیت خبر است که براساس این پارامتر، تاثیر¬گذاری بر سایر نودها در آینده انجام می¬گیرد. در این پایان-نامه دو مدل برای مدل¬سازی الگوی انتشار اطلاعات ارائه شده¬است. مدل اول که به اختصار midm(mathematical information diffusion model) نام دارد، مسئله الگوی انتشار اطلاعات را با در نظرگرفتن مقادیر متفاوت محبوبیت خبر در زمان¬های مختلف مدل¬سازی می¬نماید و روش دوم که rlidm (reinforcement learning information diffusion model) است، با استفاده از سامانه یادگیری xcsf الگوی انتشار اطلاعات در شبکه¬های اجتماعی واقعی memetracker، twitter و google را مدل می¬کند. نتایج مقایسه دو روش پیشنهادی در مقابل مدل اصلی نشان¬دهنده برتری مدل-های پیشنهادی می¬باشند.