Identifying Top-k Most Influential Nodes by using the Topological Diffusion Models in the Complex Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Social networks are sub-set of complex networks, where users are defined as nodes, and the connections between users are edges. One of the important issues concerning social network analysis is identifying influential and penetrable nodes. Centrality is an important method among many others practiced for identification of influential nodes. Centrality criteria include degree centrality, betweenness centrality, closeness centrality, and Eigenvector centrality; all of which are used in identifying those influential nodes in weighted and weightless networks. TOPSIS is another basic and multi-criteria method which employs four criteria of centrality simultaneously to identify influential nodes; a fact that makes it more accurate than the above criteria. Another method used for identifying influential or top-k influential nodes in complex social networks is Heat Diffusion Kernel: As one of the Topological Diffusion Models; this model identifies nodes based on heat diffusion. In the present paper, to use the topological diffusion model, the social network graph is drawn up by the interactive and non-interactive activities; then, based on the diffusion, the dynamic equations of the graph are modeled. This was followed by using improved heat diffusion kernels to improve the accuracy of influential nodes identification. After several re-administrations of the topological diffusion models, those users who diffused more heat were chosen as the most influential nodes in the concerned social network. Finally, to evaluate the model, the current method was compared with Technique for Order Preferences by Similarity to Ideal Solution (TOPSIS).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle