دوره 21، شماره 4 - ( 12-1403 )
جلد 21 شماره 4 صفحات 48-29 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abdolrazzagh-Nezhad M, Kherad M. Discovering Influential Nodes in Social Networks based on modified independent cascade model and Fuzzy Multi-Objective Genetic Algorithm. JSDP 2025; 21 (4) : 3
URL: http://jsdp.rcisp.ac.ir/article-1-1380-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1380-fa.html
عبدالرزاق نژاد مجید، خرد مهدی. کشف گره‌های تاثیرگذار در شبکه‌های اجتماعی براساس مدل انتشار آبشار مستقل اصلاح شده و الگوریتم ژنتیک چندهدفه فازی. پردازش علائم و داده‌ها. 1403; 21 (4) :29-48
دانشیار گروه علوم کامپیوتر، دانشکده مهندسی کامپیوتر و صنایع، دانشگاه صنعتی بیرجند، بیرجند، ایران
چکیده: (432 مشاهده)
در سال‌های اخیر، شبکه‌های اجتماعی بخش جدایی‌ناپذیر زندگی مردم شده‌است و نقش پر رنگی در دنیای واقعی ایفا می‌کند. مسئله بیشینه‌سازی نفوذ، یافتن یک مجموعه از گره‌ها در شبکه است که اگر فرایند انتشار از آن‌ها آغاز شود، می‌تواند تأثیرگذاری در شبکه را بیشینه کند؛ اگرچه تاکنون مدل‌های مختلفی برای این مسئله و الگوریتم‌های متنوعی برای کشف گره‌های تأثیرگذار در شبکه‌های اجتماعی ارائه شده‌است، اما توجه به ماهیت چندهدفه این مسئله و نیز بهبود عملکرد الگوریتم‌های بهینه‌سازی مطرح‌شده یک چالش جدی پژوهشی در این حوزه‌اند. در این مقاله به منظور مرتفع‌کردن چالش‌ها ضمن درنظرگرفتن نسخه چندهدفه مسئله بیشینه‌سازی نفوذ با سه هدف بیشینه‌سازی تعداد گره‌های مؤثر مدل انتشار، کمینه‌سازی تعداد کاربران اولیه و مدت زمان مورد نیاز برای انتشار، یک نسخه فازی الگوریتم ژنتیک چندهدفه بر اساس مرتب‌سازی نامغلوب (FNSGA) که پارامترهای نرخ جهش و بازترکیب آن به‌وسیله نظام فازی پیشنهادی تنظیم می‌شوند ارائه شده‌است. برای ارزیابی نتایج روش پیشنهادی (FNSGA) علاوه‌بر مقایسه با نسخه غیرفازی، با روش‌های ابتکاری مرسوم بیشینه‌سازی نفوذ و نیز با سایر الگوریتم‌های بهینه‌سازی چندهدفه فراابتکاری جدید که تاکنون برای این مسئله ارائه شده‌اند، بر روی پنج مجموعه‌داده مقایسه شده‌است. این مقایسه بر اساس چهار معیار، معیار EDV، هزینه (تعداد گره‌های انتخابی به‌عنوان Seed)، معیار گسترش نفوذ σ(s)
یعنی تعداد گره‌های فعال با مدل انتشار متوالی مستقل (IC) و زمان اجرای روش بر حسب ثانیه صورت گرفته‌است. نتایج به‌دست‌آمده نشان از برتری روش پیشنهادی نسبت به روش‌های دیگر دارد.
شماره‌ی مقاله: 3
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1402/2/21 | پذیرش: 1403/9/14 | انتشار: 1403/12/28 | انتشار الکترونیک: 1403/12/28
دریافت: 1402/2/21 | پذیرش: 1403/9/14 | انتشار: 1403/12/28 | انتشار الکترونیک: 1403/12/28
فهرست منابع
1. J. Zhou, Y. Zhang, and J. Cheng, "Preference-based mining of top-K influential nodes in social networks," Future Generation Computer Systems, vol. 31, pp. 40-47, 2014. [DOI:10.1016/j.future.2012.06.011]
2. e. Mazaheri, a. Talebpour, and a. Rzaian, Identification Power Nodes in Social Networks Using Data Mining (no. 2). Tarbiat Modares University, 2021, pp. 161-182.
3. C. Zhou, P. Zhang, J. Guo, X. Zhu, and L. Guo, "Ublf: An upper bound based approach to discover influential nodes in social networks," in Data Mining (ICDM), 2013 IEEE 13th International Conference on, 2013, pp. 907-916: IEEE. [DOI:10.1109/ICDM.2013.55] []
4. J. Scripps, "Discovering Influential Nodes in Social Networks through Community Finding," in WEBIST, 2013, pp. 403-412. [DOI:10.5220/0004350704030412]
5. F. sharifzadeh, S. Kafi, and M. barari, "Providing a new method to identify active and influential nodes in social networks," presented at the National Conference of Computer Engineering and Information Technology Management, Tehran, 2004. Available: https://civilica.com/doc/282629
6. M. Richardson and P. Domingos, "Mining knowledge-sharing sites for viral marketing," in Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining, 2002, pp. 61-70: ACM. [DOI:10.1145/775047.775057] [PMID]
7. D. Kempe, J. M. Kleinberg, and É. Tardos, "Maximizing the Spread of Influence through a Social Network," Theory of computing, vol. 11, no. 4, pp. 105-147, 2015. [DOI:10.4086/toc.2015.v011a004]
8. E. Mossel and S. Roch, "On the submodularity of influence in social networks," in Proceedings of the thirty-ninth annual ACM symposium on Theory of computing, 2007, pp. 128-134: ACM. [DOI:10.1145/1250790.1250811]
9. m. Abbaspour orangi and A. Hashemi golpayegani, "Identifying Influential Nodes to Diffuse the Trusting Behavior in Social Networks," (in eng), Signal and Data Processing, Research vol. 18, no. 2, pp. 57-74, 2021. [DOI:10.52547/jsdp.18.2.57]
10. R. A. Formato, "Central force optimization: A new deterministic gradient-like optimization metaheuristic," Opsearch, vol. 46, no. 1, pp. 25-51, 2009. [DOI:10.1007/s12597-009-0003-4]
11. K. Deb and H. Jain, "An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, part I: Solving problems with box constraints," IEEE Trans. Evolutionary Computation, vol. 18, no. 4, pp. 577-601, 2014. [DOI:10.1109/TEVC.2013.2281535]
12. P. Wang and R. Zhang, "A Multi-Objective Crow Search Algorithm for Influence Maximization in Social Networks," Electronics, vol. 12, no. 8, p. 1790, 2023. [DOI:10.3390/electronics12081790]
13. I. Lozano-Osorio, J. Sanchez-Oro, A. Duarte, and Ó. Cordón, "A quick GRASP-based method for influence maximization in social networks," Journal of Ambient Intelligence and Humanized Computing, vol. 14, no. 4, pp. 3767-3779, 2023. [DOI:10.1007/s12652-021-03510-4]
14. C. Wang, J. Zhao, L. Li, L. Jiao, J. Liu, and K. Wu, "A multi-transformation evolutionary framework for influence maximization in social networks," IEEE Computational Intelligence Magazine, vol. 18, no. 1, pp. 52-67, 2023. [DOI:10.1109/MCI.2022.3222050]
15. T. K. Biswas, A. Abbasi, and R. K. Chakrabortty, "An improved clustering based multi-objective evolutionary algorithm for influence maximization under variable-length solutions," Knowledge-Based Systems, vol. 256, p. 109856, 2022. [DOI:10.1016/j.knosys.2022.109856]
16. R. Olivares, F. Muñoz, and F. Riquelme, "A multi-objective linear threshold influence spread model solved by swarm intelligence-based methods," Knowledge-Based Systems, vol. 212, p. 106623, 2021. [DOI:10.1016/j.knosys.2020.106623]
17. A. Sheikhahmadi and A. Zareie, "Identifying influential spreaders using multi-objective artificial bee colony optimization," Applied Soft Computing, vol. 94, p. 106436, 2020. [DOI:10.1016/j.asoc.2020.106436]
18. A. Mohammadi and M. Saraee, "Finding influential users for different time bounds in social networks using multi-objective optimization," Swarm and evolutionary computation, vol. 40, pp. 158-165, 2018. [DOI:10.1016/j.swevo.2018.02.003]
19. J. Tang, R. Zhang, P. Wang, Z. Zhao, L. Fan, and X. Liu, "A discrete shuffled frog-leaping algorithm to identify influential nodes for influence maximization in social networks," Knowledge-Based Systems, vol. 187, p. 104833, 2020. [DOI:10.1016/j.knosys.2019.07.004]
20. D. Bucur, G. Iacca, A. Marcelli, G. Squillero, and A. Tonda, "Multi-objective Evolutionary Algorithms for Influence Maximization in Social Networks," in European Conference on the Applications of Evolutionary Computation, 2017, pp. 221-233: Springer. [DOI:10.1007/978-3-319-55849-3_15]
21. M. Gong, J. Yan, B. Shen, L. Ma, and Q. Cai, "Influence maximization in social networks based on discrete particle swarm optimization," Information Sciences, vol. 367, pp. 600-614, 2016. [DOI:10.1016/j.ins.2016.07.012]
22. D. Li, C. Wang, S. Zhang, G. Zhou, D. Chu, and C. Wu, "Positive influence maximization in signed social networks based on simulated annealing," Neurocomputing, 2017. [DOI:10.1016/j.neucom.2017.03.003]
23. K. Zhang, H. Du, and M. W. Feldman, "Maximizing influence in a social network: Improved results using a genetic algorithm," Physica A: Statistical Mechanics and its Applications, vol. 478, pp. 20-30, 2017. [DOI:10.1016/j.physa.2017.02.067]
24. M. Weskida and R. Michalski, "Evolutionary algorithm for seed selection in social influence process," in Advances in Social Networks Analysis and Mining (ASONAM), 2016 IEEE/ACM International Conference on, 2016, pp. 1189-1196: IEEE. [DOI:10.1109/ASONAM.2016.7752390]
25. Q. Jiang, G. Song, G. Cong, Y. Wang, W. Si, and K. Xie, "Simulated Annealing Based Influence Maximization in Social Networks," in AAAI, 2011, vol. 11, pp. 127-132. [DOI:10.1609/aaai.v25i1.7838]
26. D. Bucur and G. Iacca, "Influence maximization in social networks with genetic algorithms," in European Conference on the Applications of Evolutionary Computation, 2016, pp. 379-392: Springer. [DOI:10.1007/978-3-319-31204-0_25]
27. Y. Gui-sheng, W. Ji-jie, D. Hong-bin, and L. Jia, "Intelligent Viral Marketing algorithm over online social network," in Networking and Distributed Computing (ICNDC), 2011 Second International Conference on, 2011, pp. 319-323: IEEE. [DOI:10.1109/ICNDC.2011.69]
28. C.-W. Tsai, Y.-C. Yang, and M.-C. Chiang, "A Genetic NewGreedy Algorithm for Influence Maximization in Social Network," in Systems, Man, and Cybernetics (SMC), 2015 IEEE International Conference on, 2015, pp. 2549-2554: IEEE. [DOI:10.1109/SMC.2015.446]
29. J. Zhou et al., "Graph neural networks: A review of methods and applications," AI open, vol. 1, pp. 57-81, 2020. [DOI:10.1016/j.aiopen.2021.01.001]
30. W. Liu, S. Wang, and J. Ding, "Influence Maximization Based on Adaptive Graph Convolution Neural Network in Social Networks," Electronics, vol. 13, no. 16, p. 3110, 2024. [DOI:10.3390/electronics13163110]
31. X. Zhang and W. Xie, "Social network influence maximization based on graph attention mechanisms," in 2024 9th International Conference on Electronic Technology and Information Science (ICETIS), 2024, pp. 543-548: IEEE. [DOI:10.1109/ICETIS61828.2024.10593670]
32. Y. Wang, P. Li, and W. Huang, "Influence Maximization With Graph Neural Network in Multi-Feature Social Network," in 2022 IEEE 24th Int Conf on High Performance Computing & Communications; 8th Int Conf on Data Science & Systems; 20th Int Conf on Smart City; 8th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys), 2022, pp. 1751-1756: IEEE. [DOI:10.1109/HPCC-DSS-SmartCity-DependSys57074.2022.00264]
33. E. Yanchenko, T. Murata, and P. Holme, "Influence maximization on temporal networks: a review," Applied Network Science, vol. 9, no. 1, p. 16, 2024. [DOI:10.1007/s41109-024-00625-3]
34. C. C. Aggarwal, "An introduction to social network data analytics," Social network data analytics, pp. 1-15, 2011. [DOI:10.1007/978-1-4419-8462-3_1]
35. M. E. Newman, "Spread of epidemic disease on networks," Physical review E, vol. 66, no. 1, p. 016128, 2002. [DOI:10.1103/PhysRevE.66.016128] [PMID]
36. D. Kempe, J. Kleinberg, and É. Tardos, "Maximizing the spread of influence through a social network," in Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining, 2003, pp. 137-146: ACM. [DOI:10.1145/956750.956769]
37. K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan, "A fast and elitist multiobjective genetic algorithm: NSGA-II," IEEE transactions on evolutionary computation, vol. 6, no. 2, pp. 182-197, 2002. [DOI:10.1109/4235.996017]
38. A. P. Engelbrecht, Computational intelligence: an introduction., 2 ed. England: John Wiley & Sons, 2007, p. 597. [DOI:10.1002/9780470512517]
39. E. Mamdani and S. Assilian, "An experiment in linguistic synthesis with a fuzzy logic controller," International journal of human-computer studies, vol. 51, no. 2, pp. 135-147, 1999. [DOI:10.1006/ijhc.1973.0303]
40. M. De Domenico, A. Lima, P. Mougel, and M. Musolesi, "The anatomy of a scientific rumor," Scientific reports, vol. 3, no. 1, p. 2980, 2013. [DOI:10.1038/srep02980] [PMID] []
41. J. Kunegis, A. Lommatzsch, and C. Bauckhage, "The slashdot zoo: mining a social network with negative edges," in Proceedings of the 18th international conference on World wide web, 2009, pp. 741-750. [DOI:10.1145/1526709.1526809]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
