مشخصات کتاب
Modeling Information Diffusion in Implicit Networks
دسته بندی: جامعه شناسی
ویرایش:
نویسندگان: Yang J., Leskovec J.
سری:
ناشر:
سال نشر:
تعداد صفحات: 11
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 293 کیلوبایت
قیمت کتاب (تومان) : 28,000
کلمات کلیدی مربوط به کتاب مدل سازی انتشار اطلاعات در شبکه های ضمنی: رشته های جامعه شناسی، جامعه شناسی ارتباطات جمعی
میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 3
در صورت تبدیل فایل کتاب Modeling Information Diffusion in Implicit Networks به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مدل سازی انتشار اطلاعات در شبکه های ضمنی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب مدل سازی انتشار اطلاعات در شبکه های ضمنی
مقاله منتشر شده در \"مجموعه مقالات کنفرانس بین المللی IEEE
2010 در مورد داده کاوی 13-17 دسامبر 2010\" — 2010 — p.599-608 —
doi:10.1109/ICDM.2010.22
رسانه های اجتماعی یک حوزه
مرکزی برای تولید و انتشار اطلاعات در زمان واقعی را تشکیل می
دهند. حتی اگر چنین جریان های اطلاعاتی به طور سنتی به عنوان
فرآیندهای انتشار در شبکه های اجتماعی در نظر گرفته می شد، پدیده
های زیربنایی نتیجه شبکه پیچیده ای از تعاملات بین شرکت کنندگان
متعدد است. در اینجا ما یک
مدل نفوذ خطی ایجاد میکنیم
که در آن به جای نیاز به دانش شبکه اجتماعی و سپس مدلسازی انتشار
با پیشبینی اینکه کدام گره بر کدام گرههای دیگر در شبکه تأثیر
میگذارد، بر مدلسازی تأثیر جهانی تمرکز میکنیم. یک گره در نرخ
انتشار از طریق شبکه (ضمنی). ما تعداد گرههای تازه آلوده را به
عنوان تابعی از گرههای دیگر در گذشته مدلسازی میکنیم. برای هر
گره، یک تابع تأثیر را تخمین می زنیم که تعداد عفونت های بعدی را
می توان به تأثیر آن گره در طول زمان نسبت داد. یک فرمول
ناپارامتریک مدل منجر به یک مسئله حداقل مربعات ساده می شود که می
تواند در مجموعه داده های بزرگ حل شود. ما مدل خود را روی
مجموعهای از 500 میلیون توییت و مجموعهای از 170 میلیون مقاله
خبری و پست وبلاگ تأیید میکنیم. نشان میدهیم که مدل تأثیر خطی
تأثیرات گرهها را با دقت مدلسازی میکند و پویایی زمانی انتشار
اطلاعات را بهطور قابل اعتماد پیشبینی میکند. ما متوجه شدیم که
الگوهای تأثیر شرکت کنندگان به طور قابل توجهی بسته به نوع گره و
موضوع اطلاعات متفاوت است.
توضیحاتی درمورد کتاب به خارجی
Article published in the "Proceedings of the 2010 IEEE
International Conference on Data Mining December 13-17, 2010" —
2010 — p.599-608 — doi:10.1109/ICDM.2010.22
Social media forms a central domain
for the production and dissemination of real-time information.
Even though such flows of information have traditionally been
thought of as diffusion processes over social networks, the
underlying phenomena are the result of a complex web of
interactions among numerous participants. Here we develop a
Linear Influence Model where rather than requiring the
knowledge of the social network and then modeling the diffusion
by predicting which node will influence which other nodes in
the network, we focus on modeling the global influence of a
node on the rate of diffusion through the (implicit) network.
We model the number of newly infected nodes as a function of
which other nodes got infected in the past. For each node we
estimate an influence function that quantifies how many
subsequent infections can be attributed
to the influence of that node over time. A nonparametric
formulation of the model leads to a simple least squares
problem that can be solved on large datasets. We validate our
model on a set of 500 million tweets and a set of 170 million
news articles and blog posts.We show that the Linear Influence
Model accurately models influences of nodes and reliably
predicts the temporal dynamics of information diffusion. We
find that patterns of influence of individual participants
differ significantly depending on the type of the node and the
topic of the information.
نظرات کاربران