محمد فقیه عبدالهی - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه خاتم، تهران، ایران
مهدی عمادی - گروه تحقیقاتی پایگاه داده، دانشکده برق و کامپیوتر، پردیس دانشکده های فنی، دانشگاه تهران، ایران
مسعود رهگذر - گروه تحقیقاتی پایگاه داده، دانشکده برق و کامپیوتر، پردیس دانشکده های فنی، دانشگاه تهران، ایران
احسان اخترکاوان - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه خاتم، تهران، ایران

محققان در حوزه های زیست شناسی، علوم اعصاب، بومشناسی و اپیدمیولوژی علاقمند به یافتن ساختار شبکه های نامعلوم با توجه به داده های قابل مشاهده هستند. چالش اصلی زمانی پدیدار می گردد که ما تنها قادر به مشاهده آثار انتشار باشیم، در حالی که شبکه انتشار و نرخ انتقال بین افراد مخفی و نامعلوم است. هدف مساله استنتاج شبکه تاثیرپذیری یافتن ساختار شبکه تاثیرپذیری افراد از یکدیگر با توجه به آبشارهای اطلاعاتی موجود است. در این مقاله تلاش شده است بر اساس قواعد ساده حاکم بر شبکه های اجتماعی نرخ مناسبی برای تاثیرپذیری افراد از یکدیگر ارایه گردد. برای همین منظور، شش نرخ پیشنهادی با دو نرخ ارایه شده در کارهای مشابه، با یکدیگر مقایسه شده اند. همچنین بر اساس قاعده تاثیرپذیری غیرمستقیم در شبکه های اجتماعی الگوریتمی برای استنتاج شبکه تاثیرپذیری ارایه شده است. الگوریتم مورد نظر بر اساس نرخ بهینه تاثیرپذیری افراد که در همین تحقیق پیشنهاد شده توسعه یافته است. الگوریتم ارایه شده از زمان اجرای (فرمول در متن اصلی مقاله) برخوردار می باشد. با بررسی های انجام شده سرعت اجرای این الگوریتم از آخرین الگوریتم های پیشنهادی که از آبشار اطلاعاتی برای استنتاج گراف استفاده میکنند، بیشتر است. همچنین آزمایشات نشان می دهد که الگوریتم ارایه شده برای داده های واقعی توییتر دقت بیشتری در مقایسه با دیگر الگوریتم های ارایه شده دارد.

شبکه انتشار، استنتاج شبکه، diffusion network و network inferring و transitive influence