ارائه روشی جدید برای تشخیص گره های پرنفوذ در گراف شبکه های اجتماعی با استفاده از روش های یادگیری عمیق

یکی از مسائل مهم در شبکه­های اجتماعی بزرگ، شناسایی کاربران بانفوذ برای بیشینه­سازی انتشار اخبار و پیام­ها است که عموما تحت عنوان مشکل بیشینه­سازی تاثیر در شبکه­های اجتماعی (مشکل SIM)، شناخته می شود. موفقیت روند ­انتشار در این شبکه­ها بستگی به مکانیسم انتخاب کاربران تاثیرگذار دارد. از طرفی با افزایش سرعت رشد و حجم داده­ها در گراف شبکه­های اجتماعی بزرگ یکی از معضلات اصلی، تعداد بسیار زیاد گره­ها و یال­هاست که انجام هر نوع پردازشی روی آن را با مشکلات متعدد روبه رو می­سازد. اجرای روش­های سنتی بر روی گراف­های بزرگ و دارای داده­های با ­ابعاد بالا، سخت و زمان بر است و باید روش­های موثرتری به کار گرفته شود. در این مقاله ما با استفاده از یادگیری عمیق، روش جدیدی برای کاهش ابعاد گراف شبکه های اجتماعی پیشنهاد داده و سپس با در نظر گرفتن حداقل هم پوشانی بین گره­ها تلاش می­کنیم تا راه حل جدید و موثری را برای مسئله بیشینه­سازی تاثیر ارائه دهیم. در ادامه نتایج حاصل از شبیه­سازی در دنیای واقعی، نشان دهنده عملکرد بهتر روش پیشنهادی از نظر زمان اجرا و میزان گسترش نفوذ نسبت به تکنیک های سنتی است.