عنوان پایان‌نامه
ارائه ی مدلی اجتماع - محور برای بازاریابی ویروسی در شبکه های اجتماعی واقعی
- رشته تحصیلی
- مهندسی کامپیوتر -نرم افزار
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2850;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 71882
- تاریخ دفاع
- ۰۳ شهریور ۱۳۹۴
- دانشجو
- میلاد ودودپرست
- استاد راهنما
- فتانه تقی یاره
- چکیده
- رشد روزافزون شبکه‌های اجتماعی، بستر مناسبی را برای شرکت‌ها و صاحبان سرمایه به وجود آورده است تا به کمک بهره‌گیری از بازاریابی ویروسی، به تبلیغ محصولات خود در آن بپردازند. در بازاریابی ویروسی، بازاریاب‌ها با ایجاد پیوندهایی تبلیغاتی به اعضای شبکه‌ی اجتماعی و در پی تعاملاتی مکرر، آن‌ها را نسبت به محصول یا محصولات مورد تبلیغ، علاقه‌مند می‌کنند. این مسئله که بازاریاب‌ها با وجود محدودیت بودجه‌ی شرکت و به تبع آن، تعداد پیوندهای تبلیغاتی، باید کدامین اعضا را هدف پیوندها قرار داده تا آن‌ها نیز با انتقال پیام بازاریابی به دوستان خود، بخش بیش‌تری از اعضای شبکه را نسبت به محصول متمایل کنند، مسئله‌ی حداکثرسازی پذیرش محصول نام دارد، مسئله‌ای که خود، کاربردی تجاری از مسئله‌ای کلی‌تر در علوم اجتماعی با نام حداکثرسازی تاثیر است. پیش‌نیاز حل مسئله‌ی حداکثرسازی تاثیر، تعریف یک مدل انتشاری است که بر مبنای آن، شیوه‌ی تعامل اعضای شبکه و اثرگذاری آن‌ها بر یکدیگر تعیین می‌گردد. در همین راستا، در این پایان‌نامه، مدلی مبتنی بر عامل معرفی می‌شود که در آن بسیاری از ملاحظات دنیای واقعی از جمله وجود هم‌پویه‌ها در نظر گرفته شده‌اند. در این مدل، هر عضو شبکه، یک عامل عادی و هر بازاریاب یک عامل محصول نامیده می‌شود. میزان اثر‌پذیری یک عامل عادی از یک عامل عادی دیگر وابسته به مقدار داوری وی در مورد عامل دوم است. لازم به ذکر است که داوریِ نسبت به یک عامل از داوری موجود نسبت به هم‌پویه‌های دربردارنده‌ی وی استخراج می‌شود. بدین ترتیب، ساختار هم‌پویه‌ها به صورت غیر مستقیم بر روند انتشار آرا اثر می‌گذارند. برای حل مسئله‌ی حداکثرسازی تاثیر با در نظر گرفتن چنین مدل انتشاری، چارچوبی چندعاملی معرفی می‌شود که در آن عامل‌هایی با نام عامل‌های ارائه‌کننده‌ی راه‌حل، مقاصد پیوندهای تبلیغاتی را تعیین می‌کنند. آن‌ها می‌توانند این کار را با بـهره‌گیری از یک سنجه‌ی مرکزیت مانند درجه و یا یک تکنیـک بهینه‌سازی چون الگوریتم ژنتیک چندعاملی که در این پژوهش مورد استفاده قرار گرفته است، انجام دهند. نتایج بدست‌آمده از ارزیابی بر روی چندین شبکه‌ی مصنوعی و واقعی نشان می‌دهند که در شبکه‌های فاقد توزیع توانی درجه که دارای خواص جهان-کوچکی هستند، استفاده از الگوریتم ژنتیک چندعاملی روند رسیدن به اجماع را تضمین می‌کند. هم‌چنین، در شبکه‌های مقیاس-آزاد، به دلیل پیچیدگی ساختاری هم‌پویه‌ها، پاسخ به این دو سوال که آیا به اجماع رسیدن اعضای شبکه ممکن بوده یا خیر و هم‌چنین اینکه کدامین روشِ انتخاب عامل‌های هدف عملکرد مناسب‌تری داشته است، تابع ویژگی‌های ساختاری هر شبکه می‌باشد. بخش دیگر این پایان‌نامه به حداکثرسازی تاثیر در شبکه‌های پویا اختصاص دارد. در همین راستا، ما هر شبکه‌ی پویا را به صورت تعدادی تصویر ایستای متوالی مشاهده کرده و کمپین‌های تبلیغاتی متوالی را بر روی آن‌ها اجرا می‌کنیم. وظیفه‌ی هر کمپین، ایجاد پیوندهای تبلیغاتی جدیدی است که تعداد آن‌ها محدود به بودجه‌ی اختصاص یافته به آن کمپین است. در صورتی که طول هر کمپین را معادل تعداد تصاویری که کمپین در آن‌ها فعال است بدانیم، آن‌گاه، یکی از نتایج مهم این تحقیق این است که در شبکه‌هایی که احتمال اجماع وجود دارد، استفاده از کمپین‌های کوتاه‌تر رسیدن به اجماع را تضمین می‌کند. این در حالی است که در سایر شبکه‌ها، کمپین‌های بلند‌تر در ترغیب بیش‌تر افراد نسبت به محصول، مفیدتر واقع شده‌اند. واژه‌های کلیدی: شبکه‌های اجتماعی، سیستم‌های چندعاملی، بازاریابی ویروسی، ساختار هم‌پویه‌ها، حداکثرسازی تاثیر
- Abstract
- The continuous growth of social networks’ popularity has persuaded companies and stakeholders to make use of these media for viral marketing purposes. In viral marketing, the goal is to increase the global acceptance of some product by initiating advertisement links to a few number of individuals within the social network. Considering a limited budget and therefore, a limited number of advertisement links, the problem of investigating which members to target first is called maximizing product adoption which is itself a special case of a more generalized problem in social science called influence maximization. In order to solve any influence maximization problem, first, a diffusion model must be defined. A diffusion model specifies how individuals within the network interact and influence each other. This thesis introduces a new agent based diffusion model in which many features found in real social networks have notable impacts on its dynamics. In this model, members of the network and the marketers are called regular and product agents respectively. Regular agents might change their opinion about a product after making interactions with other regular or product agents. The amount of influence each regular agent takes from her peers upon an interaction is based on how she judges them. The judgment values are extracted from the communities in which the regular agents reside. According to this rule, the community structure of a network silently affects the way information are diffused in it. Regarding this model, we introduce MAFIM, a Multi-Agent Framework for Influence Maximization. In MAFIM, agents named solution provider agents determine the targets of the advertisement links. They can do this using some centrality-based heuristics like degree or an optimization technique like MAGA (Multi-Agent Genetic Algorithm) which is used in this thesis. Our empirical results from tests done on both synthetic and real social networks reveal that in networks without a power-low degree distribution that embody some kind of small-world properties, using MAGA facilitates reaching a consensus. In contrast, in scale-free networks with a complex community structure, the answer to the questions that whether a consensus is probable or not or utilizing which method is best for influence maximization is completely dependent on the other structural characteristics of the network such as the rate of edge reciprocity. Another major contribution of this thesis is proposing a solution to the influence maximization problem in dynamic social networks. In this regard, a dynamic social network is viewed as consecutive static snapshots on which some advertisement campaigns are launched. Each campaign contains initiating new advertisement links with a number limited to a predefined budget dedicated to that campaign. We define the length of a campaign to be equal to the snapshots that it is active in. Our results show that in networks where reaching a consensus is probable, choosing shorter campaign lengths is more effective whereas in other networks, it is more beneficial to launch longer campaigns.
