Topic-based influence computation in social networks under resource constraints

Sosyal ağlar sürekli değişirken ve gelişirken, dinamik yapıdaki bu ağların analizi için gerekli metotların önemi de sosyal eğilimleri anlamak açısından artmaktadır. Fakat sosyal ağ servis sağlayıcıları tarafından uygulanan kısıtlamalar nedeniyle, bir sosyal ağın topolojik durumu ve paylaşımlarıyla birlikte tüm içeriğini toplamak için mevcut kaynaklar yetersiz kalmaktadır. Sonuç olarak, değişken sosyal ağ verisinin analizi; verinin yaklaşık bir kopyasını yerel olarak muhafaza etmeyi ve zaman içinde yenilemeyi gerektirir. Biz, sosyal ağ geliştikçe, ağ üzerindeki etkili kişileri belirlemek ve zaman içerisinde takip etmek adına; hem ağ hem de metin verisinin sınırlı kaynaklar altında toplanması problemi üzerinde çalışıyoruz. Sınırlı sayıda kullanıcının her zaman aralığı için ilişkilerini (genel etki hesaplaması için gereklidir) ve metin paylaşımlarını (konu tabanlı etki hesaplaması için gereklidir) toplamak için kullanıcıların etki eğilimlerini ve eylemlerini göz önünde bulunduran bir algoritma öneriyoruz. Yeni toplanmış kullanıcı verisini ve lokal olarak sürdürülen ağın en son versiyonunu temel alarak; güncel ağ yapısını çıkarsıyoruz. Buna ek olarak, ağ çıkarsama metodumuzun doğruluğunu daha da artırmak adına, bağlantı önerme algoritmaları kullanıyoruz. "PageRank puanı" nı genel etki hesaplaması için ölçü olarak belirledik. Önerdiğimiz çözümlerin, genel etki için "PageRank skorları" nı ve konu tabanlı etki için paylaşım metinlerinin anlamsal analizleri ile paylaşım istatistikleri harmanlanarak ve belirlenen ağırlıklar kullanılarak oluşturulan konu temelli ağlar üzerinden hesaplanan ağırlıklı "PageRank skorları" nı, nasıl yüksek bir doğrulukla yenileyerek sürdürdüğünü gösterdik. Algoritmalarımızın etkinliğini ölçmek adına sonuçlarımızı, bir mikroblog servisi olan "Twitter" üzerinden toplanan veriler ile oluşturan ağın, tam ve en güncel hali üzerinden hesaplanan gerçek etki skorları ile karşılaştırdık. Elde edilen sonuçlara göre; önerdiğimiz teknikler temel referans tekniklerini önemli bir ölçüde geri bırakırken (ağ çekimi için %80,metin çekimi için %77 daha doğrudur), literatürdeki en gelişmiş tekniklerden de daha iyi bir performans göstermiştir (%21 daha doğrudur).