ارائه روشي جديد براي تشخيص گره‌هاي پرنفوذ در گراف شبكه‌هاي اجتماعي با استفاده از روش‌هاي يادگيري عميق

A New Method for Detecting Influential Nodes in Social Network Graphs Using Deep Learning Techniques

يكي از مسائل مهم در شبكه­هاي اجتماعي بزرگ، شناسايي كاربران بانفوذ براي بيشينه­سازي انتشار اخبار و پيام­ها است كه عموماً تحت عنوان مشكل بيشينه­سازي تأثير در شبكه­هاي اجتماعي (مشكل SIM)، شناخته مي‌شود. موفقيت روند ­انتشار در اين شبكه­ها بستگي به مكانيسم انتخاب كاربران تأثيرگذار دارد. از طرفي با افزايش سرعت رشد و حجم داده­ها در گراف شبكه­هاي اجتماعي بزرگ يكي از معضلات اصلي، تعداد بسيار زياد گره­ها و يال­هاست كه انجام هر نوع پردازشي روي آن را با مشكلات متعدد روبه‌رو مي­سازد. اجراي روش­هاي سنتي بر روي گراف­هاي بزرگ و داراي داده­هاي با ­ابعاد بالا، سخت و زمان‌بر است و بايد روش­هاي مؤثرتري به‌كار گرفته شود. در اين مقاله ما با استفاده از يادگيري عميق، روش جديدي براي كاهش ابعاد گراف شبكه‌هاي اجتماعي پيشنهاد داده و سپس با در نظر گرفتن حداقل هم‌پوشاني بين گره­ها تلاش مي­كنيم تا راه‌حل جديد و مؤثري را براي مسئله بيشينه­سازي تأثير ارائه دهيم. در ادامه نتايج حاصل از شبيه­سازي در دنياي واقعي، نشان‌دهنده عملكرد بهتر روش پيشنهادي از نظر زمان اجرا و ميزان گسترش نفوذ نسبت به تكنيك‌هاي سنتي است.

One of the most important issues in large social networks is identifying influential users to maximize the diffusion of news and messages which is popularly known as the Social Influence Maximization Problem (SIM Problem). The success of the diffusion process in these networks depends on the influential users’ selection mechanism. On the other hand, with the increase in growth rate and data size in the graph of large social networks, one of the main challenges is the large number of nodes and edges which makes any processing problematic. Implementing traditional methods on large graphs with high-dimensional data is difficult and time consuming, and more efficient methods must be used. In this paper, a new method for reducing the graph size of social networks using deep learning is proposed, followed by providing a novel and effective solution to the Social Influence Maximization Problem by considering the minimum overlap between nodes. The findings of the simulation in the real world show better performance of the proposed method in terms of execution time and spread of influence than traditional techniques.