跳到主要內容

臺灣博碩士論文加值系統

(100.26.196.222) 您好!臺灣時間:2024/03/02 22:06
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:蘇聖揚
研究生(外文):Sheng-Yang Su
論文名稱:運用CELF演算法確認社群網路具影響力使用者之研究
論文名稱(外文):Applying Cost-Effective Lazy Forward Algorithm to Identify Influential Users in a Web Social Network
指導教授:項衛中項衛中引用關係
指導教授(外文):Wei-Jung Shiang
學位類別:碩士
校院名稱:中原大學
系所名稱:工業與系統工程研究所
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2014
畢業學年度:102
語文別:中文
論文頁數:39
中文關鍵詞:演算法社群網路具影響力使用者
外文關鍵詞:social networkinfluential usersCELF
相關次數:
  • 被引用被引用:0
  • 點閱點閱:240
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
由於資訊科技的發達,人們的互動除了面對面的談話,更可以利用即時通訊軟體以及社群網站進行訊息的交流,透過偌大的網際網路以及成千上萬的使用者將訊息傳播到世界各地。若能從廣大的使用者社群當中,確認出社群網路中的權威人士,也就是具有影響力之使用者,並且透過這類使用者傳播訊息,將能大幅提高訊息的傳播效率。
本研究運用Cost-Effective Lazy Forward (CELF) 演算法確認社群網路之具影響力使用者,並透過實驗確認其有效性。首先透過使用者間之好友關係建構出節點連線模型,依照使用者好友之影響力程度,轉化為影響力機率並代入CELF演算法內,透過獨立串聯模型的擴散模式,確認出影響力較大的節點,並認定為社群網路中具影響力使用者。本研究再透過Facebook建立主題性社團,並邀請對該主題有興趣之使用者加入,以此實驗驗證此演算法的有效性。本研究假設若使用者發文後所獲得的關注度越多,代表該使用者越具有影響力。經由五週實際觀察社團的發文和關注情況並且蒐集與分析數據,再以假設檢定確認演算法與實驗的相似性,結果顯示運用CELF演算法所確認的具影響力使用者,在發文所受到的關注度確實比其他使用者為高。


Now days, people communicate not only with face to face but also with instant messages and online social networks. Millions of messages spread to the world through the Internet. Therefore, if we could identify influential users and let them disseminate information through the social networks, this way will substantially increase the message spreading efficiency.
This study proposed to use Cost-Effective Lazy Forward (CELF) algorithm to identify influential users in a web social network, and the effectiveness of this algorithm was evaluated by an experiment. First the node connection model was built based on the relationship between users, the influence degrees were collected from the user survey, and they were calculated as influence probability between users. Using the independent cascade model in the CELF algorithm, this method can identify influential nodes as influential users in this web social network. The next stage is to verify the proposed method and an experiment was performed. Users joined a group with common interests in the Facebook. This study assumed that the more attention a user gets when he posts a text, the more influential he is. The time period of this experiment is five weeks, and user interactions were collected and analyzed to identify influential users. The experimental result is compared to the result from the CELF algorithm with a hypothesis test. It shows that identified influential users from the algorithm and experiment are similar.


目錄

摘要I
AbstractII
誌謝III
目錄IV
圖目錄V
表目錄VI
第一章 緒論1
1.1研究背景1
1.2研究動機1
1.3研究目的2
第二章 文獻探討3
2.1社群網路定義及特性3
2.2 具影響力使用者之重要性4
2.3 關注度之影響力4
2.4影響力之主題性4
2.5獨立串聯模型5
2.6影響力之演算法7
第三章 研究方法10
3.1研究流程圖10
3.2實作流程圖11
3.3演算法概念12
3.4利用假設檢定驗證13
第四章 系統實作與驗證15
4.1 建模與數據蒐集15
4.2 確認CELF演算法穩定性17
4.3整合、演算法分析與影響力排名17
4.4演算法驗證25
第五章 結論與未來展望28
5.1結論28
5.2未來展望28
參考文獻30
附錄32

圖目錄

圖2.1 主題性族群之影響力差異[6]5
圖2.2 節點及連線型態說明6
圖2.3 IC模型擴散步驟1 6
圖2.4 IC模型擴散步驟2 6
圖2.5 IC模型擴散步驟3 7
圖2.6 IC模型擴散步驟4 7
圖2.7 貪婪演算法流程圖8
圖3.1 研究流程圖11
圖3.2 實作流程圖12
圖3.3 CELF演算法流程圖13
圖3.4 假設檢定流程14
圖4.1 節點連線關係圖15
圖4.2 實際值與估計值之差異26

表目錄

表2.1 貪婪演算法之參數說明8
表3.1 參數說明表12
表4.1 影響力表16
表4.2 執行次數比較表17
表4.3 第一次模擬18
表4.4 第二次模擬18
表4.5 第三次模擬19
表4.6 第四次模擬19
表4.7 第五次模擬19
表4.8 五次模擬平均20
表4.9 第一周關注度20
表4.10 第二周關注度21
表4.11 第三周關注度21
表4.12 第四周關注度21
表4.13 第五周關注度22
表4.14 五周平均關注度22
表4.15 估計值與實際值之影響力排名23
表4.16 每周估計值與實際值之比較表23
表4.17 實驗二具影響力使用者排名24
表4.18 實驗三具影響力使用者排名24
表4.19 具影響力使用者分析25
表4.20 實驗二與實驗三之T值表27
表5.1 估計值、實際關注與實際影響之差異表28




[1]Amit Goyal, Wei Lu, Laks and Lakshmanan, "CELF++: Optimizing the Greedy Algorithm for Influence Maximization in Social Networks", Proceedings of the 20th international conference companion on World wide web Pages 47-48, 2011
[2]Boyd, Danah.,“Social Network Sites: Public, Private, or What?” Knowledge Tree 13, 2007
[3]Chad Edwards, Patric R. Spence, Christina J. Gentile, America Edwards and Autumn Edwards, "How much Klout do you have...A test of system generated cues on source credibility", Computers in Human Behavior 29 A12–A16, 2013
[4]David Kempe, Jon Kleinberg and E´ va Tardos, “Maximizing the Spread of Influence through a Social Network”, Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining Pages 137-146, 2003
[5]Howard Rheingold, “The Virtual Community: Homesteading on the Electronic Frontier”, MIT press , 1994
[6]Jie Tang, Jimeng Sun, Chi Wang and Zi Yang, "Social Influence Analysis in Large-scale Networks", Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining Pages 807-816, 2009
[7]John Hagel III, Arthur G. Armstrong, “Net Gain: Expanding Markets Through Virtual Communities”, HARVARD BUSINESS SCHOOL PRESS, 1996
[8]Jure Leskovec, Andreas Krause, Carlos Guestrin, Christos Faloutsos, Jeanne VanBriesen, Natalie Glance, "Cost-effective Outbreak Detection in Networks", Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining Pages 420-429, 2007
[9]Micael Trusov, Anand V. Bodapati, and Randolph E. Bucklin, “Determining Influential Users in Internet Social Networks”, American Marketing Association, Vol. XLVII, pp.643–658, 2010
[10]Pedro Domingos, "Mining Social Networks for Viral Marketing", Mathematical/Analytical Modelling and Computer Simulation (AMS), 2010 Fourth Asia International Conference, 2010
[11]Klout.com, http://www.klout.com, 2014
[12]Amit Goyal, Wei Lu, Laks V.S. Lakshmanan, Source Code Release, 2011 http://www.cs.ubc.ca/~goyal/code-release.php
[13]2014年台灣網站100強揭曉 http://www.bnext.com.tw/article/view/id/31260

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top