Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2016 | OriginalPaper | Buchkapitel

Attribute-Based Influence Maximization in Social Networks

verfasst von : Jiuxin Cao, Tao Zhou, Dan Dong, Shuai Xu, Ziqing Zhu, Zhuo Ma, Bo Liu

Erschienen in: Web Information Systems Engineering – WISE 2016

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

As traditional advertising model exposes its weakness of ignoring consumer interests, the concept of narrow advertising draws increasingly more attention which considers the feature of each user. Under this specific environment, effective viral marketing has to select a set of initial users to maximize their influence on the targeted customers. This paper aims at the integration of viral marketing and narrow advertising, by proposing a novel problem called attribute-based influence maximization. Firstly, the problem definition is presented with the consideration of user features. Then the influence probability between two nodes is modeled and two heuristic algorithms, Sum of Probability Covered Algorithm (SoPCA) and Community-based Algorithm (CBA), are designed. Finally, experiments on six datasets are conducted to verify the effectiveness of proposed algorithms.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Twitter Normalization via 1-to-N Recovering
Fußnoten
3
Targeted nodes in this paper all represent the nodes whose similarity with targeted individual is not equal to 0.
 
Literatur
1.
Brin, S., Page, L.: Reprint of: the anatomy of a large-scale hypertextual web search engine. Comput. Netw. 56(18), 3825–3833 (2012)CrossRef
2.
Cao, J.-X., Dong, D., Xu, S., Zheng, X., Liu, B., Luo, J.-Z.: A k-core based algorithm for influence maximization in social networks. Chinese J. Comput. 38(2), 238–248 (2015). (in Chinese)MathSciNet
3.
Cao, T., Wu, X., Wang, S., Hu, X.: Oasnet: an optimal allocation approach to influence maximization in modular social networks. In: 2010 ACM Symposium on Applied Computing, pp. 1088–1094. ACM (2010)
4.
Chen, W., Wang, Y., Yang, S.: Efficient influence maximization in social networks. In: 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 199–208. ACM (2009)
5.
Christakis, N.A., Fowler, J.H.: Connected: The surprising power of our social networks and how they shape our lives. hachette digital (2009)
6.
Domingos, P., Richardson, M.: Mining the network value of customers. In: Seventh ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 57–66. ACM (2001)
7.
8.
Galstyan, A., Musoyan, V., Cohen, P.: Maximizing influence propagation in networks with community structure. Phys. Rev. E. 79(5), 056102 (2009)CrossRef
9.
Goldenberg, J., Libai, B., Muller, E.: Talk of the network: a complex systems look at the underlying process of word-of-mouth. Mark. Lett. 12(3), 211–223 (2001)CrossRef
10.
Jung, K., Heo, W., Chen, W.: Irie: scalable and robust influence maximization in social networks. In: 2012 IEEE 12th International Conference on Data Mining, pp. 918–923. IEEE (2012)
11.
Kempe, D., Kleinberg, J., Tardos, É.: Maximizing the spread of influence through a social network. In: Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 137–146. ACM (2003)
12.
Kitsak, M., Gallos, L.K., Havlin, S., Liljeros, F., Muchnik, L., Stanley, H.E., Makse, H.A.: Identification of influential spreaders in complex networks. Nature Phys. 6(11), 888–893 (2010)CrossRef
13.
Leskovec, J., Krause, A., Guestrin, C., Faloutsos, C., VanBriesen, J., Glance, N.: Cost-effective outbreak detection in networks. In: 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 420–429. ACM (2007)
14.
Li, F.-H., Li, C.-T., Shan, M.-K.: Labeled influence maximization in social networks for target marketing. In: 2011 IEEE Third International Conference on Privacy, Security, Risk and Trust and 2011 IEEE Third Inernational Conference on Social Computing, pp. 560–563. IEEE (2011)
15.
Liu, S., Chen, L., Ni, L.M., Fan, J.: Cim: categorical influence maximization. In: 5th International Conference on Ubiquitous Information Management and Communication, p. 124. ACM (2011)
16.
McPherson, M., Smith-Lovin, L., Cook, J.M.: Birds of a feather: Homophily in social networks. Annu. Rev. Sociol. 27, 415–444 (2001)CrossRef
17.
Tang, J., Sun, J., Wang, C., Yang, Z.: Social influence analysis in large-scale networks. In: 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 807–816. ACM (2009)
18.
Wang, Y., Cong, G., Song, G., Xie, K.: Community-based greedy algorithm for mining top-k influential nodes in mobile social networks. In: 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 1039–1048. ACM (2010)
19.
20.
Young, H.P.: The diffusion of innovations in social networks. The economy as an evolving complex system III: Current perspectives and future directions. 267 (2006)
Metadaten
Titel
Attribute-Based Influence Maximization in Social Networks
verfasst von
Jiuxin Cao
Tao Zhou
Dan Dong
Shuai Xu
Ziqing Zhu
Zhuo Ma
Bo Liu
Copyright-Jahr
2016
Buch
Web Information Systems Engineering – WISE 2016

Print ISBN: 978-3-319-48739-7

Electronic ISBN: 978-3-319-48740-3

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-48740-3_1