Influence maximization based on network representation learning in social network
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
Influence Maximization (IM), an NP-hard central issue for social network research, aims to recognize the influential nodes in a network so that the message can spread faster and more effectively. A large number of existing studies mainly focus on the heuristic methods, which generally lead to sub-optimal solutions and suffer time-consuming and inapplicability for large-scale networks. Furthermore, the present community-aware random walk to analyze IM using network representation learning considers only the node’s influence or network community structures. No research has been found that surveyed both of them. Hence, the present study is designed to solve the IM problem by introducing a novel influence network embedding (NINE) approach and a novel influence maximization algorithm, namely NineIM, based on network representation learning. First, a mechanism that can capture the diffusion behavior proximity between network nodes is constructed. Second, we consider a more realistic social behavior assumption. The probability of information dissemination between network nodes (users) is different from other random walk based network representation learning. Third, the node influence is used to define the rules of random walk and then get the embedding representation of a social network. Experiments on four real-world networks indicate that our proposed NINE method outperforms four state-of-the-art network embedding baselines. Finally, the superiority of the proposed NineIM algorithm is reported by comparing four traditional IM algorithms. The code is available at https://github.com/baiyazi/NineIM.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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