چکیده:
در حملات شناختی سایبری موضوع تحلیل انتشار اطلاعات در شبکه های اجتماعی برخط بسیار حائز اهمیت است که یکی از شاخه-های اصلی در تحلیل انتشار اطلاعات یافتن عامل های پرنفوذ می باشد. در بازاریابی ویروسی نیز تحت عنوان یافتن موثرترین عامل ها مطرح می شود. در این مقاله ضمن معرفی و محاسبه دو نوع عامل پر اهمیت در انتشار اطلاعات (عامل های مرجع و فعال) ، روشی برای یافتن این دودسته عامل های پراهمیت در انتشار اطلاعات در شبکه های اجتماعی برخط مبتنی بر نظریه آنتروپی ارائه و پیاده سازی شده است. روش پیشنهادی در این مقاله مبتنی است بر ارزیابی آنتروپی گراف شبکه اجتماعی برخط حاصل از انتشار اطلاعات با حذف مجموعه پرتاثیرترین عامل ها که بر اساس معیار درجه گره و معیار آنتروپی گره اندازه گیری شده است. آزمایش های این مقاله نشان می دهد که الگوریتم پیشنهادی نسبت به روش های قبلی، توانایی بیشتری در شناسایی مجموعه گره های پرنفوذ دارد، به طوری که مجموعه باقیمانده گره ها از همگنی قابل تنظیمی در معیار نفوذ برخوردار می شوند و همچنین معیاری را جهت مشخص نمودن تعداد گره های شاخص ارائه می کند.
خلاصه ماشینی:
در ادامه روشهای مختلف پیشنهادی محاسبه میزان اهمیت عاملهای موجود در شبکه اجتماعی توییتر در انتشار شایعه ارائه میشود: الف : درروش اول ، درجه ورودی و درجه خروجی همه گرهها را به ترتیب زیر محاسبه میکنیم: (رجوع شود به تصویر صفحه) بهسادگی دیده میشود کهمعیاری از خصوصیت مرجعیت در انتشار شایعه است و بنابراین میتوان آن را با نشان داد و معیاری از فعال بودن عامل در انتشار شایعه است و بنابراین میتوان آن را با است.
جدول (1): گرههای شاخص در بین گرههای مرجع ردیف روش مورد استفاده تعداد نودهای شاخص بدست آمده نام کاربری نودهای شاخص به ترتیب (رجوع شود به تصویر صفحه) ب) عاملهای فعال: در این دسته تعداد 48590 عامل وجود دارد که در الگوریتم ارائهشده میزان α برابر با 0011/0 بیشترین مقدار احتمال و β برابر با 98/0در نظر گرفتهشده است.
جدول (3): گرههای شاخص در بین کل گرهها (رجوع شود به تصویر صفحه) 5-4- ارزیابی در روشهای قبلی روشی برای تعیین تعداد گرههای شاخص ارائه نشده است که این امر موجب میشود نتوان تعیین کرد چه تعداد گره شاخص در یک شبکه باید انتخاب شود.
[6] Community-based Greedy Algorithm for Mining Top-K Influential Nodes in Mobile Social Networks Categories and Subject Descriptors, pp.
Poulet, Entropy based community detection in augmented social networks.
Balcisoy, Entropy Based Sensitivity Analysis and Visualization of Social Networks, 2012 IEEE/ACM Int. Conf.
Narayanam, A Shapley Value Based Approach to Discover Influential Nodes in Social Networks, pp.