营销渠道优化基于用户的社交网络信息

文摘

营销在社会网络环境集成了当前先进的网络和信息技术。这种营销方法不仅拓宽营销渠道,构建一个网络交流平台,也满足客户的购买需求在整个市场,缩短客户购买。这个过程也是一个发展的必然产物。然而,当公司使用社交网络产品营销,他们通常面对多个现实因素的影响。本文以影响的最大化为主要思想寻找产品信息传播和种子用户也认为用户的兴趣偏好。目标用户可以影响产品,公司应该控制营销成本获得更大的边际效益。在此基础上,本文认为信息扩散的规模等因素,用户的兴趣偏好,和公司预算,以影响最大化模型为一个多目标优化问题,并提出了一种多目标最大化的影响(MOIM)模型。最大化的解决的np困难问题的影响,本文采用蒙特卡罗抽样计算影响力高的用户。接下来,种子用户选择算法提出了基于NSGA-II优化上述三个目标函数,找到最优的解决方案。我们用真正的社会网络数据来验证模型和方法的性能。 Experiments show that the proposed model can generate appropriate seed sets and can meet different purposes of information dissemination. Sensitivity analysis proves that our model is robust under different actual conditions.

1。介绍

至于社交网络,他们有一个广泛的听众,信息传播速度更快的支持网络,越来越多的人参与社会工作。企业应合理地理解用户在社交网络之间的互动活动,分析社交网络的支持自己的网络营销工作的基础上,了解社交网络,然后提出的工作方式和方法基于社交网络营销为企业营销工作(1- - - - - -3]。对企业来说,一个合理的社会网络的信息传播策略是选择少数有影响力的用户作为种子用户传播信息。有效的社交网络促进企业和用户之间的联系和提供了一个平台来传播商业信息4]。影响力最大化问题识别几种子节点的最大化的传播影响社交网络(5]。

问题的影响最大化的一种常见方法是通过扩散模型模拟级联的影响基于网络链接的存在。邱et al。6]提出的研究影响最大化算法模型问题。Trivedi和辛格7)正式的影响最大化问题作为一个离散优化问题,提出了一个独立的级联模型(ICM)和线性阈值模型(LTM)。在许多现有的影响扩散模型中,最受欢迎的和被广泛引用的独立级联(IC)模型(8,9)和线性阈值(LT)模型(10,11]。集成电路模型认为由多个邻居用户的激活是一个独立的过程,而肝移植模型作为用户的激活联合多个邻居的过程。唐et al。12]证明了影响最大化问题是一个np难问题,设计了一种贪婪算法选择的近似最优种子集。然而,集成电路模型和肝移植模型的缺点是他们限制在可伸缩性和大型数据集的操作效率。因此,研究人员提出了许多改进的模型来提高影响力最大化的效率(13- - - - - -15]。Banerjee et al。16)设计了一种新的启发式算法最大前缀消除影响树(PMIA)模型并提出了LDAG LT的算法模型。他等。17)提出了一种新的上界懒惰向前(UBLF)算法来确定一组最高k影响节点。Avetisyan et al。18)使用用户的参与模式和信息扩散速度模型信息流和识别有效的个性化信息推荐。江et al。19)提出了一个模型,可以快速找到组种子节点基于大型网络,以确保可以影响社交网络中的所有节点。考虑到信息传播的影响产品推荐后,窦等。20.)更新的个性化信息推荐根据用户的个性特征通过集成协同过滤和信息传播过程。Banerjee et al。21]讨论了whom-to-mention方案来确定合适的候选人为社会信息,这可能引发大规模的级联信息扩散过程。Breza et al。22研究社会信息的预期扩散,打算通过社会化观念扩散最大化用户参与。最大化的问题影响广泛应用于社交网络的病毒式营销。公司试图通过推广他们的产品和服务信息扩散机制。

通过以上的分析研究工作,市场信息的实际传播效果是多种因素的综合作用的结果,在不同的产品,不同的用户有不同的利益,这是毫无意义的传播信息的用户不感兴趣。相反,企业的促销成本是成正比的用户影响力;影响越大,越高的用户沟通成本。结构等因素的影响,种子用户,用户的兴趣营销影响种子集的信息,和企业预算都有一个重要的影响种子用户的选择和决定。如何平衡不同的因素之一是企业社会营销所面临的一个重要问题。因此,本文以影响最大化模型作为多目标优化问题的规模和影响最大化利益同时最小化扩散预算。我们的模型是更现实的,可以为社交网络营销推荐应用程序提供有用的建议。

2。关于社交网络和优化理论

2.1。社交网络

社交网络是一个个人或组织组成的社会结构和它们之间相互作用关系的集合;一个社交网络服务是一个在线平台用来创建和分享内容类似的利益,活动,背景,或与其他个人或现实社会网络(23]。网络结构是社交网络用户之间信息传递的载体,网络结构影响的特征和确定的进化信息在网络上的传播。这些基本特征包括小世界网络、无标度网络和中心。

2.2。社会网络信息测量的影响

社交网络信息不仅影响用户的行为,而且分析网络的动态演化。测量信息的影响可以帮助预测互联网用户的行为,理解用户之间信息传播的趋势,为营销人员提供技术支持来选择更好的信息战略。从网络中节点的重要性,本文介绍了一些方法来衡量网络节点的重要性来衡量用户在社交网络信息的影响。

2.2.1。学位中心

它的想法是,网络中节点重要性高的有更多的邻居连接边缘。在一个无向图,直接连接节点之间的边的数量和所有邻国视为其学位。度越大,程度越高的中心节点,其影响就越高。学位中心的标准化的测量

其中,表示程度,的累计金额的所有邻居节点,然后呢米网络节点的总数。

2.2.2。紧凑的中心和中间性中心

近中心之间的平均距离描述了网络中节点和其他节点。越紧的中心节点,其他节点平均最短路径越小,越接近中心的网络。它的一般计算公式如下:

其中,是所有顶点的数量包含节点和连接块吗 代表节点之间的最短路径距离。

中间性的中间性中心代表总数的比值之间的最短路径网络节点对节点的最短路径。通过计算所有成对的节点之间的最短路径,最短路径经过的节点的数量。路径传递和中间性越大,重要性越高的节点在网络上。公式(3)表达了中间性中心的计算方法: 在哪里 是所有的数目和节点之间的最短路径r和通过的路径数量吗 。

2.2.3。特征向量中心

是描述网络中节点的重要性取决于节点的邻居节点,包括邻居节点的数目和邻居节点的重要性。如果一个节点的邻居状态更重要的是,它也在网络中更重要的位置。从影响的角度来看,网络用户的邻居的影响,更多的用户与积累的影响会增加多个邻国的影响,反之亦然。公式(4)可以表达用户的影响:

2.3。社交网络服务的营销策略特征

2.3.1。基于庞大的用户规模和一个开放的网络平台

社交网络服务有巨大的用户规模和覆盖范围广泛的人。社交网络服务的用户一般使用社交网站,微博,手机社交网络平台,和其他在线互动平台,每个平台的注册账户可能不是独一无二的。开放的网络平台和共享用户资源的操作和营销原则,始终坚持社交网络服务。这是符合互联网的发展趋势和需求,也吸引了大量的品牌广告主,第三方应用程序开发人员,和其他类型的合作网站进入和互连。

2.3.2。丰富和灵活的在线互动方法,用户参与的热情很高

当的主题营销活动结合热门话题,他们可以与用户产生共鸣,吸引用户的注意力和参与活动。社交网络服务的互动营销模式实现用户和品牌所有者之间的双向沟通,允许用户体验产品功能在虚拟网络环境,为品牌所有者提供反馈信息。

2.3.3。品牌所有者获得免费二次沟通

品牌支付营销和促销活动在社交网站上,微博等平台。然而,二级传播品牌信息在用户组由营销活动不需要任何成本。宣传和互动链接所吸引,在早期阶段,品牌所有者支付大量用户来参与经验,形成品牌产品的第一次接触的平台。如果用户感兴趣的品牌或营销活动,相关活动的内容转发给朋友,并在他们的个人主页发布参与信息,这将形成第二曝光和传播品牌产品在社交网络服务平台,在那里人们可以发现更受欢迎。

2.3.4。结合线上活动和线下活动

在微博和微信的营销活动,有品牌整合线上和线下活动。在创建产品曝光机会和增加知名度,品牌所有者也越来越多的关注将用户的注意力转换为实际购买,实现线上活动,线下的延伸。

2.3.5。开发移动终端已经成为一种趋势

微信有进一步的快速发展市场的注意力集中在移动互联网领域。进一步推广和改进的移动社交应用,品牌营销策略,配合他们将更多反映移动和定位的特点。因为有多个平台由用户常用的社交网络服务,在桌面和移动终端,品牌所有者可以进行大规模的市场营销和推广在桌面端,推出购物折扣为用户在移动端实现在线线下宣传和消费模式。社会网络服务在移动终端的发展提供了更多的选择为品牌所有者制定和实施营销策略。

3所示。营销渠道优化模型基于用户社交网络信息

3.1。模型建设

当前文献影响力最大化侧重于选择高影响力用户尽可能的最大化信息传播,目的是最终影响社交网络的最大用户数量。然而,真正的信息传播应用程序通常有多种用途的特征。应用场景是一个公司通过社交网络传播产品促销活动,让他们尽可能多的人,但该公司绝对想传播促销产品感兴趣的人,和在线促销活动往往受到预算限制。这意味着公司应该权衡在使用社交网络的信息传播。

图1描述了三个社交网络l= 9用户和P= {p1, p2, p3, p4、p5 p6、p7, p8,票数}。在传统的信息传播方法,出度值较高的用户更有可能被选为种子节点传播信息。如图1、数据中心是学位的设置值,和{p2、p4 p6}将选定的传播信息。然而,如果我们考虑用户兴趣偏好,大多数用户受到用户p6的兴趣较低的产品。因此,使用p6不是一个合适的种子;在这个时候,我们选择{p2, p4}。此外,我们考虑到预算信息传播。假设的最大预算是1的传播信息,用户p4可能被排除在种子集因为p4太贵了。如果选择p4,那么我们没有预算雇佣其他种子。从这个意义上说,招聘p6已经成为一个可选的决定因为p6是相对便宜,这可能会产生意想不到的好结果。上面的描述表明,当遇到多个目标最大化问题的影响,我们需要新的方法更加灵活和有效的决策。

本文优化营销渠道的性能从扩散的角度规模和用户利益和确保扩散活动的预算控制。如图2,首先获得社会网络数据。节点之间的连接关系数据可以反映他们的影响力传播的关系。然后,根据提出的问题在图1网络结构,结合社会网络节点和节点属性,多目标的影响最大化模型,模型求解算法。在建模阶段,本文认为社会网络信息的影响,用户的兴趣偏好,企业预算建立一个多目标优化模型。在模型中解决阶段,模拟计算方法基于可靠的用户子集影响首次提出基于蒙特卡罗抽样近似计算节点的影响力和其他目标模型中每个用户的价值观。然后,种子节点搜索和选择算法基于NSGA-II和遗传算子设计提出了解决多目标优化函数,和帕累托nondominated目标种子用户是搜索和总和。

3.1.1。最大化的影响

影响最大化的目标是使用少量的有影响力的种子用户到网络传播信息,允许用户按照他们看到的信息并生成进一步的信息转发和传播行为和传播球迷追随这些用户的信息。这种传播的循环继续实现信息最大的网络覆盖和最大化用户接收信息的数量。

《社交网络》中概率信息扩散模型,可靠的子集的用户p被定义为一组信息扩散的psubusers高概率。假设B候选人的种子节点集,影响规模B′可以模仿在以下方式:

其中,和 ,分别代表是否用户的控制变量j在用户的可靠的子集我以及用户是否我是选择种子用户:

影响目标的规模意味着MOIM模型旨在选择种子用户最大化传播的规模的影响。因为一个subuser可能会影响到多个种子用户,为了消除重复多个种子用户对单个subuser,如果用户由多个候选人影响种子用户 ,我们限制和 为了确保结果的准确性。

3.1.2。用户利益最大化

在社交网络平台上,相同的用户对不同的产品有不同的偏好,和不同的用户有不同的担忧同样的产品,并且几乎没有共同关心。在使用最大化的方法影响产品广告,这也是必要考虑观众和用户的个人兴趣偏好和传播尽可能多的信息的潜在消费者对产品的兴趣更高实现精准营销,提高产品销售转化率。的最大化利益偏好的总价值最大化利益偏好影响的所有用户,可以通过多个候选人种子用户的影响。模拟的总利益候选人种子集,我们扩大第一目标函数通过引入每个用户的利益价值,如以下公式所示: 在哪里代表着兴趣偏好的subuserj种子用户的影响我对于一个给定的产品。兴趣偏好的目标意味着subusers候选人种子的影响并不总是感兴趣的信息,我们应该传播给那些感兴趣的信息。

3.1.3。减少商业成本

企业市场营销活动的目的是最大化的边际效用成本,通过广告和促销活动,增加产品销售,增加销售收入和利润。预算是公司的总成本在社交网络上推广其产品的计划。假设不变K指的是成本,公司需要支付给用户p传播信息,可以将目标函数建模为成本

公式(8)意味着我们的目标是最小化费用在追求最大化的影响,并确保公司获得更高的回报。

本文认为公司在现实生活中遇到的各种问题和挑战产品营销活动,将社交网络的影响力最大化问题为研究方向,结合了互联网用户的利益和偏好属性与企业营销预算,等,并提出了多目标最大化的影响(MOIM)模型集成影响的最大化,最大化的利益偏好,企业成本的最小化。MOIM的数学模型如下:

上面的模型显示MOIM的目标不一致或相互冲突。因此,本文需要一个灵活的方法来解决模型。多目标的基本假设是要找到一个可靠的每个用户子集。获取可靠的子集和解决信息扩散的多目标模型,本文采用蒙特卡罗抽样并行算法来获取每个用户子集的可靠性和相应的总利益程度,提出了一种多目标优化算法基于NSGZ-II搜索模型的帕累托最优解。

3.2。节点影响的计算基于蒙特卡罗抽样

在这篇文章中,用户在社交网络信息传播影响力传播可以被视为一种类似的随机概率事件。概率分布采样是用来模拟信息传播的重量和用户兴趣偏好估计每个节点的平均激活后迭代计算的节点数。在这里,我们使用均匀分布函数获得相互独立的随机数序列。

我们使用蒙特卡罗抽样计算可靠的子集 ,总利益价值 ,和扩散的成本的用户p。以确保用户p扩散有更高的概率获得的信息 ,我们设置了概率阈值α∈[0,1],以确保只有边缘概率大于α将在抽样过程中取样。与此同时,我们设置阈值的最短路径限制信息的程度降低信息传输的过程。

这种抽样算法的基本思想如下:(1)根据用户之间直接连接关系和属性信息在社交网络上,定义用户之间的信息传播定向边的概率和每个用户的独特利益和偏好,社交网络,构建一个有向概率图。(2)一个预定义的阈值概率α和最短路径阈值用于查找边缘与更大的传播概率和节点具有强大的传播能力。(3)为每个源节点的每个迭代p使用分布函数,随机样本来生成一个随机概率值比较α和导演边缘传播概率在定向概率图,并采取更大的概率值的边缘构造一个样品来确定子。

在算法中,直接转化为一个概率图米顺序矩阵,代表用户之间的社会关系和每个用户的传输概率的粉丝。我们获得的一组确定的子图的所有用户定向概率图。然后,对于每个用户的子图子,计算出可靠的子集可以从用户p。每个用户p有其属性利益价值为一个特定的产品。最后,我们选择影响力高的用户作为候选人种子集B并为后续工作作为输入。

3.3。基于NSGA-II模型优化

影响最大化问题研究在本文中被定义为一个多目标问题,这需要最大化的影响,用户利益的最大化和最小化成本。本文使用精英nondominated排序遗传算法(NSGA-II)和精英策略。NSGA-II首先生成初始种群,然后不断优化,通过复制、交叉、变异,保留精英在进化的过程中优化的解决方案。图3展示了进化和精英保留NSGA-II过程解决方案。

精英解保留策略:(1)第一代的精英解决方案:第一级nondominated个人nondominated排序后的初始种群。这是第一个解集的精英保留过程解决方案。(2)精英解决方案在进化过程中:添加从每个遗传操作获得的后代(交叉和变异),上一代的精英的解决方案,然后用帕累托nondominated排序选择的第一级nondominated个体,这是一代的精英的解决方案。(3)排除极端精英解决方案:如果只有一个节点的种子集和节点的影响是0,种子集被丢弃。

初始种群通常是随机生成的,以确保进化的多样性。在这篇文章中,初始人口规模米设置为100。提出了一种多目标优化模型有三个目标,其中之一是在预算成本降到最低,这里每个染色体代表一个初始种群,所以每个染色体的成本不能超过预算。

交叉和变异的目的是生成新的解决方案,加快人口的发展。首先,父母的基因的一部分是直接传递给后代。生成一个随机数在区间[0,1]其余的在每一个孩子。如果这个数字超过0.5,那么后代将收到相应的等位基因的第一个父;否则,它将收到第二个父母。交叉概率通常是在0.25和1之间。突变的概率通常是约0.001。

4所示。结果与讨论

4.1。实验数据集

以确保实验结果的有效性,本文选择三组真正的社交网络数据与不同的统计特征来验证该方法。在我们的实验中使用的数据集来自真正的社交网络数据p2p-Gnutella06, p2p-Gnutella08, p2p-Gnutella09折断。三个网络有8717、6301和8114个用户和31525年,20777年和26013年的链接。

4.2。优化结果分析

图4显示目标的平面投影值,显示影响之间的矛盾,企业预算成本,和用户兴趣。“成本与影响”投影显示,当预算成本超过了阈值,影响的增长速度将大幅下降。因此,我们应该灵活权衡成本和影响决策。“成本与利益”平面投影显示,高成本并不总是得到更多感兴趣的用户。随着成本的增加,感兴趣的用户的数量将逐渐下降。“影响与利益”平面投影显示的影响成正比的兴趣。因此,在实际的信息传播,我们应该平衡预算成本和利息和支付给合适的用户。

4.3。敏感性分析

4.3.1。概率阈值实验

在实验中,概率阈值α在蒙特卡洛抽样法是一个重要的因素来控制边缘有机会无处不在的信息。我们使用概率0.5,0.6,和0.7示例p2p-Gnutella06测试该方法的鲁棒性。概率密度曲线在图5显示,当α有不同的值,该方法能有效地估计用户的影响。

如图5,小α(例如,α= 0.5)意味着更多的边缘有可能传播信息,传播信息和用户有更大的潜力。如果我们保守组大α(α= 0.7),扩散范围将会缩小,而用户的影响种子的数量将减少。概率密度的影响规模表明,拟议中的蒙特卡罗sampling-based节点影响计算是健壮的,和获得的结果与现有文献中结果一致。

4.3.2。扩散实验预算

扩散的预算是一个重要的因素在决定哪些用户可以选择种子。在信息传播的实践,如果我们有更多的预算,我们可以选择用户提供高功能影响种子。然而,如果预算有限,明智的决定是为了避免所有高影响力的用户,选择正确的用户满足预算限制。在这个实验中,我们设置了扩散预算到100000年,200000年和300000年解决MOIM模型。

图6显示了帕累托最优解的成本获得的三个实验表明,该模型是健壮的扩散方面的预算,可以找到一个灵活和可靠的令人满意的解决方案,无论多少预算变化。

4.4。实验比较

比较方法的优缺点提出了本文算法与经典的学位中心,紧中心,中间性中心,本文设计的比较实验的三个网络p2p-Gnutella06, p2p-Gnutella08, p2p-Gnutella09。

假设种子的大小设置为100。本文使用三个经典算法找到100年最有影响力的节点,计算节点的影响指数,指数,和成本指数,比较其与最优值的发现的100个节点。影响指数、利率指数和成本指数进行了比较。实验结果如图7- - - - - -9。通过分析数据,不难发现,与经典算法相比,本文提出的模型总是可以找到一组种子更好的指标。因为这个方法全面优化影响指数,兴趣指数和成本指数,它可以为企业提供更灵活的营销决策方案。

5。讨论

营销活动的过程是基于社交网络服务平台开发和利用社会媒体的市场价值。其核心思想是将社交网络服务的用户规模优势转化为收入。的研究成果24]表明,不同类型的信息源提高消费者网上购物的性能和实现商业智能。参与者通过比较固定的时间花在,这是表明消费者的在线评论搜索行为是影响人类接触的程度。

摘要影响最大化模型作为多目标优化问题的规模和影响最大化利益同时最小化扩散预算。为了证明我们的模型更接近于实际情况,本文选择四组真正的社交网络数据与不同的统计特征来验证该方法。通过分析概率密度曲线,三维目标价值,和敏感的社会网络,可以看出,本文算法有更好的种子的指标比当前的算法。自本文方法全面优化影响指数等指标,兴趣指数和成本指数,它可以为企业提供一套更灵活的市场营销决策计划和提供有用的建议的推荐应用社会网络营销。

6。结论

社交网络已经渗透到生活的各个方面,使用社交网络营销和推广的企业也成为一个热点研究问题。社交网络是一种复杂的网络,它遵循一个复杂网络的特性。因此,它常被用来最大化影响力研究社交网络的选择种子节点。在实际企业营销中,有更实际的因素影响之外,也就是说,用户利益和企业成本。在社交网络中,当一个用户接收产品信息,他可能购买或促进它,因为他感兴趣或者他可能无法传播信息,因为不感兴趣或不喜欢甚至带来负面影响。企业成本是衡量是否种子集是在企业内部的成本预算。最大化模型提出了一种多目标的影响,结合三个目标最大化的影响,最大化用户兴趣偏好,和最小化成本,构造目标函数,并提出一个模型解决方案方法。首先,蒙特卡罗抽样方法用于计算用户的可及的可靠的子集的影响,估计用户的影响近似,计算用户的兴趣和就业总成本。接下来,种子用户选择算法提出了基于NSGA-II优化上述三个目标函数,找到最优的解决方案。最后,提出模型的有效性和鲁棒性是通过实验验证在真实的社会网络。 Because we need to find the optimal solution of the impact maximization model, this process is very time-consuming because our next work is to optimize the solution process of the optimal solution.

数据可用性

使用的数据来支持本研究的发现可以要求作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. x, y, s . Yu j . Liu和f·夏,“学术社交网络:建模、分析、挖掘和应用程序,”网络和计算机应用》杂志上卷,132年,第103 - 86页,2019年。视图:出版商的网站|谷歌学术搜索
2. 静d和a·e·约翰逊”人口过程如何影响动物的社交网络。”行为生态学没有,卷。31日。1、1 - 11,2020页。视图:出版商的网站|谷歌学术搜索
3. n . Dakiche f . Benbouzid-Si Tayeb、y Slimani和k . Benatchba”追踪社交网络社区进化:一项调查,“信息处理与管理卷,56号3、1084 - 1102年,2019页。视图:出版商的网站|谷歌学术搜索
4. r . Urena g·寇,y咚,f . Chiclana和e . Herrera-Viedma”审查对信任传播和舆论动态社会网络和群体决策框架,“信息科学卷,478年,第475 - 461页,2019年。视图:出版商的网站|谷歌学术搜索
5. c·克鲁兹,“社交网络和贿选的目标。”比较政治研究,52卷,不。3、382 - 411年,2019页。视图:出版商的网站|谷歌学术搜索
6. l .秋w·贾j . Yu x的粉丝,和w·高,“PHG:三相算法基于群落结构的影响最大化,”IEEE访问7卷,第62522 - 62511页,2019年。视图:出版商的网站|谷歌学术搜索
7. n Trivedi和a·辛格“有效影响力最大化在社交网络游戏在独立级联模式下,“Procedia计算机科学卷,173年,第324 - 315页,2020年。视图:出版商的网站|谷歌学术搜索
8. w·杨,l·布伦纳和a . Giua”影响力最大化独立级联网络中基于激活概率计算,”IEEE访问7卷,第13757 - 13745页,2019年。视图:出版商的网站|谷歌学术搜索
9. l, m·罗和r . j . Boncella“产品信息扩散在一个社交网络,”电子商务研究,20卷,不。1,3-19,2020页。视图:出版商的网站|谷歌学术搜索
10. r . e .海岸,h·l·贝克,j·d·博伊斯et al .,“最近的流行病学研究和辐射的线性无阈模型protection-considerations关于NCRP评论27日”健康物理学,卷116,不。2、235 - 246年,2019页。视图:出版商的网站|谷歌学术搜索
11. 黄黄j . x Cai,美国,美国,和h . Lei“技术因素和中国全要素生产率:基于面板阈值模型的证据,”中国经济评论54卷,第285 - 271页,2019年。视图:出版商的网站|谷歌学术搜索
12. r . j . Tang张,y姚明et al .,“识别top-k影响力节点基于离散粒子群优化的影响力最大化,增强”自然史答:统计力学及其应用卷,513年,第496 - 477页,2019年。视图:出版商的网站|谷歌学术搜索
13. j·s·c .男性生殖器像,“社交媒体影响力最大化,SI模型”应用计算和信息,15卷,不。2、102 - 108年,2019页。视图:出版商的网站|谷歌学术搜索
14. 边,问:郭,s . Wang和j . x Yu”效率更高的预算影响最大化算法在大规模社交网络,”美国养老,13卷,不。9日,第1510 - 1498页,2020年。视图:出版商的网站|谷歌学术搜索
15. e . Guney”预算影响最大化问题的最优解在社交网络上,“运筹学,19卷,不。3、817 - 831年,2019页。视图:出版商的网站|谷歌学术搜索
16. Banerjee s、m . Jenamani d . k . Pratihar”一项调查在一个社交网络的影响力最大化,”知识和信息系统卷,62年,第3455 - 3417页,2020年。视图:出版商的网站|谷歌学术搜索
17. 毛问:他,x, f . et al .,“CAOM:以社区为基础的方法来处理意见为社交网络,最大化”信息科学卷,513年,第269 - 252页,2020年。视图:出版商的网站|谷歌学术搜索
18. 答:a . Avetisyan m . d . Drobyshevskiy d . y . Turdakov和t . Ghukasyan“信息传播分析方法,”编程和计算机软件,45卷,不。7,372 - 380年,2019页。视图:出版商的网站|谷歌学术搜索
19. l .江x赵,通用电气,w·肖和阮y,”一个高效的算法挖掘一组复杂网络的影响力的传播者”自然史答:统计力学及其应用卷。516年,58 - 65、2019页。视图:出版商的网站|谷歌学术搜索
20. k .窦、郭b和l .旷”保护隐私多媒体推荐在社交网络的背景下,基于加权噪声注入,“多媒体工具和应用程序,卷78,不。19日,26907 - 26926年,2019页。视图:出版商的网站|谷歌学术搜索
21. a . Banerjee a·g·钱德拉塞卡e·迪弗洛和m·o·杰克逊,“利用流言传播信息:理论,来自两个随机对照试验的证据,”经济研究的回顾,卷86,不。6,2453 - 2490年,2019页。视图:出版商的网站|谷歌学术搜索
22. e . Breza a·钱德拉塞卡Golub b, a . Parvathaneni“网络经济发展,”牛津经济政策的审查,35卷,不。4、678 - 721年,2019页。视图:出版商的网站|谷歌学术搜索
23. Acquisti a和c方”,一个实验,通过在线社交网络招聘歧视,”管理科学,卷66,不。3、1005 - 1024年,2020页。视图:出版商的网站|谷歌学术搜索
24. m·h·傅g . Manogaran k . Wu曹,s .江和a·杨,“智能在线购物行为的决策基于物联网,”国际信息管理杂志》上,50卷,第525 - 515页,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Chaolin彭。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。