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) : 57,000

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.

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.