ترجمه مقاله مدلسازی انتشار اطلاعات در شبکه های اجتماعی برای پیش بینی زمانی پویا - نشریه IEEE

ترجمه مقاله مدلسازی انتشار اطلاعات در شبکه های اجتماعی برای پیش بینی زمانی پویا - نشریه IEEE
قیمت خرید این محصول
۳۱,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
مدلسازی انتشار اطلاعات در شبکه های اجتماعی برای پیش بینی زمانی پویا
عنوان انگلیسی
Modeling Information Diffusion over Social Networks for Temporal Dynamic Prediction
صفحات مقاله فارسی
14
صفحات مقاله انگلیسی
4
سال انتشار
2017
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
آی تریپل ای - IEEE
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده و pdf
نوع مقاله
ISI
نوع ارائه مقاله
ژورنال
پایگاه
اسکوپوس
ایمپکت فاکتور(IF) مجله
5.876 در سال 2018
شاخص H_index مجله
148 در سال 2019
شاخص SJR مجله
1.140 در سال 2018
شاخص Q یا Quartile (چارک)
Q1 در سال 2018
شناسه ISSN مجله
1041-4347
کد محصول
10056
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن
به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
بیس
است ✓
مدل مفهومی
دارد ✓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
رفرنس در ترجمه
در داخل متن و انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی فناوری اطلاعات، شبکه های کامپیوتری و اینترنت و شبکه های گسترده
مجله
یافته ها در زمینه دانش و مهندسی داده - Transactions on Knowledge and Data Engineering
دانشگاه
موسسه فناوری هاربین، چین
کلمات کلیدی
انتشار اطلاعات، عوامل هوشمند، مدل، پیش بینی
کلمات کلیدی انگلیسی
Information diffusion - intelligent agents - model - prediction
doi یا شناسه دیجیتال
https://doi.org/10.1109/TKDE.2017.2702162
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1. مقدمه
2. تدوین مساله
3. مدل پیشنهادی
4. الگوریتم ها
4.1. الگوریتم های یادگیری
5. آزمایشات
5.1. شرایط آزمایشی
5.2. عملکرد پیش بینی
6. نتیجه گیری
منابع
نمونه چکیده متن اصلی انگلیسی
Abstract

Modeling the process of information diffusion is a challenging problem. Although numerous attempts have been made in order to solve this problem, very few studies are actually able to simulate and predict temporal dynamics of the diffusion process. In this paper, we propose a novel information diffusion model, namely GT model, which treats the nodes of a network as intelligent and rational agents and then calculates their corresponding payoffs, given different choices to make strategic decisions. By introducing time-related payoffs based on the diffusion data, the proposed GT model can be used to predict whether or not the user's behaviors will occur in a specific time interval. The user's payoff can be divided into two parts: social payoff from the user's social contacts and preference payoff from the user's idiosyncratic preference. We here exploit the global influence of the user and the social influence between any two users to accurately calculate the social payoff. In addition, we develop a new method of presenting social influence that can fully capture the temporal dynamics of social influence. Experimental results from two different datasets, Sina Weibo and Flickr demonstrate the rationality and effectiveness of the proposed prediction method with different evaluation metrics.

نمونه چکیده ترجمه متن فارسی
چکیده
نحوه مدلسازی فرآیند انتشار اطلاعات در شبکه های اجتماعی، کار تحقیقاتی حیاتی شمرده می شود. اگر چه تلاش های متعددی برای این مطالعه صورت پذیرفته است اما تعداد کمی از آن ها قادر به شبیه سازی و پیش بینی پویایی زمانی فرآیند انتشار هستند. برای رفع این مشکل، ما مدل انتشار اطلاعات جدیدی (مدل GT) را پیشنهاد نمودیم که کاربران شبکه را عوامل هوشمندی تلقی می نماید. این عوامل به اتفاق همه همسایه های تعاملگر خود را لحاظ نموده و بازده گزینه های مختلف خود را برای تصمیمات استراتژیک محاسبه می کنند. ما فاکتور زمانی را وارد بازده کاربر نموده که در نتیجه آن، مدل GT نه تنها قادر به پیش بینی رفتار یک کاربر خواهد بود بلکه زمان بروز رفتار مزبور را نیز پیش بینی می نماید. هم اثرگذاری کلی و هم اثرگذاری اجتماعی در محاسبه بازده وابسته به زمان مورد کنکاش قرار گرفتند که در آن روش جدید بازنمایی اثرگذاری اجتماعی برای شناخت کامل خواص زمانی پویا اثرگذاری اجتماعی بین کاربران طراحی گشته است. نتایج تجربی مربوط به سینا ویبو و فلیکر، اثربخشی روش های ما را تایید نمودند.

بدون دیدگاه