Identifying influential users and p

Identifying influential users and predicting their ‘‘network impact’’ on social networks have attracted
tremendous interest from both academia and industry. Various definitions of ‘‘influence’’ and many
methods for calculating influence scores have been provided for different empirical purposes and they
often lack the in-depth analysis of the ‘‘characteristics’’ of the output influence. In addition, most of
the developed algorithms and tools are mainly dependent on the static network structure instead of
the dynamic diffusion process over the network, and are thus essentially based on descriptive models
instead of predictive models. Consequently, very few existing works consider the dynamic propagation
of influence in continuous time due to infinite steps for simulation. In this paper, we provide an
evaluation framework to systematically measure the ‘‘characteristics’’ of the influence from the following
three dimensions: (i) Monomorphism vs. Polymorphism; (ii) High Latency vs. Low Latency; and (iii) Information
Inventor vs. Information Spreader. We propose a dynamic information propagation model based on
Continuous-Time Markov Process to predict the influence dynamics of social network users, where the
nodes in the propagation sequences are the users, and the edges connect users who refer to the same
topic contiguously on time. Finally we present a comprehensive empirical study on a large-scale twitter
dataset to compare the influence metrics within our proposed evaluation framework. Experimental
results validate our ideas and demonstrate the prediction performance of our proposed algorithms.

ผลลัพธ์ (ไทย) 1:

Identifying influential users and predicting their ‘‘network impact’’ on social networks have attractedtremendous interest from both academia and industry. Various definitions of ‘‘influence’’ and manymethods for calculating influence scores have been provided for different empirical purposes and theyoften lack the in-depth analysis of the ‘‘characteristics’’ of the output influence. In addition, most ofthe developed algorithms and tools are mainly dependent on the static network structure instead ofthe dynamic diffusion process over the network, and are thus essentially based on descriptive modelsinstead of predictive models. Consequently, very few existing works consider the dynamic propagationof influence in continuous time due to infinite steps for simulation. In this paper, we provide anevaluation framework to systematically measure the ‘‘characteristics’’ of the influence from the followingthree dimensions: (i) Monomorphism vs. Polymorphism; (ii) High Latency vs. Low Latency; and (iii) InformationInventor vs. Information Spreader. We propose a dynamic information propagation model based onContinuous-Time Markov Process to predict the influence dynamics of social network users, where thenodes in the propagation sequences are the users, and the edges connect users who refer to the sametopic contiguously on time. Finally we present a comprehensive empirical study on a large-scale twitterชุดข้อมูลการเปรียบเทียบวัดอิทธิพลภายในกรอบการประเมินการนำเสนอของเรา ทดลองผลการตรวจสอบความคิดของเรา และแสดงให้เห็นถึงประสิทธิภาพการทำงานของอัลกอริทึมของเรานำเสนอการทำนาย

ผลลัพธ์ (ไทย) 2:

ระบุผู้มีอิทธิพลและการคาดการณ์ของพวกเขา '' เครือข่ายผลกระทบ '' บนเครือข่ายสังคมได้ดึงดูด
ความสนใจอย่างมากจากทั้งการศึกษาและอุตสาหกรรม คำจำกัดความต่างๆของ '' อิทธิพล '' และอีกหลาย
วิธีสำหรับการคำนวณคะแนนการมีอิทธิพลมีวัตถุประสงค์เพื่อให้การทดลองที่แตกต่างกันและพวกเขา
มักจะขาดการวิเคราะห์ในเชิงลึกของ '' ลักษณะ '' จากอิทธิพลของการส่งออก นอกจากนี้ส่วนใหญ่ของ
ขั้นตอนวิธีการพัฒนาและเครื่องมือส่วนใหญ่จะขึ้นอยู่กับโครงสร้างเครือข่ายแบบคงที่แทน
การแพร่กระจายผ่านเครือข่ายแบบไดนามิกและจึงตามหลักในรูปแบบบรรยาย
แทนรูปแบบการพยากรณ์ ดังนั้นน้อยมากผลงานที่มีอยู่พิจารณาการขยายพันธุ์แบบไดนามิก
ที่มีอิทธิพลในช่วงเวลาอย่างต่อเนื่องเนื่องจากขั้นตอนที่ไม่มีที่สิ้นสุดสำหรับการจำลอง ในบทความนี้เราให้
กรอบการประเมินผลอย่างเป็นระบบวัด '' ลักษณะ '' ของอิทธิพลจากต่อไปนี้
สามมิติ (i) Monomorphism กับความแตกต่าง; (ii) เวลาแฝงที่สูงเมื่อเทียบกับแฝงต่ำ; และ (iii) ข้อมูล
ประดิษฐ์เทียบกับข้อมูล Spreader เรานำเสนอรูปแบบการบริหารจัดการข้อมูลแบบไดนามิกตาม
กระบวนการอย่างต่อเนื่องเวลามาร์คอฟที่จะคาดการณ์การเจริญเติบโตและอิทธิพลของผู้ใช้เครือข่ายทางสังคมที่
โหนดในลำดับการขยายพันธุ์เป็นผู้ใช้และขอบเชื่อมต่อผู้ใช้ที่อ้างถึงเดียวกัน
หัวข้อติดกันในเวลา สุดท้ายเรานำเสนอการศึกษาเชิงประจักษ์ที่ครอบคลุมเกี่ยวกับขนาดใหญ่ twitter
ชุดข้อมูลเพื่อเปรียบเทียบตัวชี้วัดที่มีอิทธิพลอยู่ในกรอบการประเมินผลข้อเสนอของเรา การทดลอง
ผลการตรวจสอบความคิดของเราและแสดงให้เห็นถึงประสิทธิภาพการคาดการณ์ของอัลกอริทึมที่นำเสนอของเรา

ผลลัพธ์ (ไทย) 3:

ระบุผู้ใช้ที่มีอิทธิพลและพยากรณ์ของพวกเขา ' 'network กระทบ ' ' บนเครือข่ายสังคมได้ดึงดูดความสนใจอย่างมากจากสถาบันการศึกษาทั้ง
และอุตสาหกรรม ต่าง ๆความหมายของ ' 'influence ' ' และหลายวิธีการสำหรับการคำนวณผลคะแนน
มีให้สำหรับที่แตกต่างกันและพวกเขา
วัตถุประสงค์เชิงประจักษ์มักจะขาดการวิเคราะห์เจาะลึกของ ' 'characteristics ' ' ของผลผลิต อิทธิพล นอกจากนี้ส่วนใหญ่ของ
พัฒนาขั้นตอนวิธีและเครื่องมือส่วนใหญ่ขึ้นอยู่กับโครงสร้างเครือข่ายแบบไดนามิกแทน
กระบวนการแพร่ผ่านเครือข่าย , และจึงเป็นหลักตามรูปแบบบรรยาย
แทนตัวแบบทำนาย . จากนั้นน้อยมากที่มีอยู่งานพิจารณาแบบไดนามิกการขยายพันธุ์
มีอิทธิพลในเวลาต่อเนื่องจากขั้นตอนที่ไม่มีที่สิ้นสุดสำหรับการจำลอง ในกระดาษนี้เราจัดให้มีการประเมินระบบการวัด (
' 'characteristics ' ' ของอิทธิพลจากต่อไปนี้
3 มิติ : ( ฉัน ) monomorphism vs ) ; ( 2 ) ศักยภาพสูงและศักยภาพต่ำ และ ( 3 ) ข้อมูล
นักประดิษฐ์ vs .ข้อมูลกระจาย . เรานำเสนอแบบไดนามิกข้อมูลการขยายพันธุ์แบบตาม
กระบวนการมาร์คอฟเวลาต่อเนื่องทำนายอิทธิพลการเปลี่ยนแปลงของผู้ใช้เครือข่ายทางสังคมที่
โหนดในการขยายพันธุ์ดังนี้คือผู้ใช้ และขอบเชื่อมต่อผู้ใช้ที่อ้างถึงหัวข้อเดียวกัน
contiguously ในเวลา ในที่สุดเราปัจจุบันเป็นการศึกษาเชิงประจักษ์ใน
Twitter ขนาดใหญ่ข้อมูลเปรียบเทียบตัวชี้วัดในการประเมินอิทธิพลของเราเสนอกรอบ ผลการทดลอง
ตรวจสอบความคิดของเราและแสดงให้เห็นถึงประสิทธิภาพของการทำนายเสนออัลกอริทึม