| dc.contributor | 國立政治大學資訊科學系 | en_US |
| dc.contributor | 行政院國家科學委員會 | en_US |
| dc.creator (作者) | 沈錳坤 | zh_TW |
| dc.date (日期) | 2011 | en_US |
| dc.date.accessioned | 12-Nov-2012 11:05:50 (UTC+8) | - |
| dc.date.available | 12-Nov-2012 11:05:50 (UTC+8) | - |
| dc.date.issued (上傳時間) | 12-Nov-2012 11:05:50 (UTC+8) | - |
| dc.identifier.uri (URI) | http://nccur.lib.nccu.edu.tw/handle/140.119/55500 | - |
| dc.description.abstract (摘要) | 網路病毒式行銷(Viral Marketing)透過網路社群中的人際關係，以及消費者彼此的相互影響與推薦，來達成提昇產品之廣告效益。廣告商必須在有限資源下從人群中找出具有影響力的人，讓產品或概念透過這些有影響力的人，以及人際關係之影響力散播的方式，推薦給更多的消費者，以達廣告效益最大化之目的。利用社群網路(Social Network)，我們可將消費者之間的關係表示為圖形上的節點跟連結，進而將病毒式行銷轉為一種影響力最大化(Influence Maximization)的問題，即在社群網路中挑選最具有影響力的k 個消費者作為種子節點(Seed Nodes)，使得產品之行銷能藉由此k 個種子消費者推廣出去，影響到其他更多的消費者。廣告行銷相當重視目標消費群，廣告目的是希望針對不同的商品能夠影響不同的目標消費群，使目標消費群購買該產品。然而，過去的影響力最大化問題僅考慮被影響的人數多寡，無法滿足這種針對目標消費群的需求，因此，我們提出以一種標籤社會網絡(Labeled Social Network)的方式來描述網路行銷中的各種目標消費群，並進而提出標籤影響力最大化問題(Labeled Influence Maximization Problem)。我們以特定標籤做為目標消費群，期望挑選k 個消費者作為種子節點，使得以此k 個種子節點之影響力擴散最終能在標籤社會網絡中影響到最多符合特定標籤(目標族群)之節點。針對標籤社會網絡之標籤影響力最大化問題，我們預計從兩方面來探討並解決之。其一為修改延伸既有影響力最大化之種子節點挑選近似演算法：Greedy、NewGreedy、CELFGreedy 和DegreeDiscount，使其能考慮標籤，找出影響最多符合目標標籤之節點的趨近解。其二，考慮到進一步增進演算法的效果與效率，我們預計將設計兩個進階演算法ProximityDiscount 和MaximumCoverage 來解決標籤影響力最大化問題，其主要概念在於分成Offline 與Online 之計算，在Offline 階段，我們可事先完成一些前處理，讓行銷人員可於Online 擬定目標行銷策略時，可直接利用計算結果快速找出種子節點。我們預計將設計實驗於Internet Movie Database(IMDB)之社群網路資料，對所設計的幾種標籤影響力最大化種子挑選演算法進行效果(影響具目標標籤之節點的數目)與時間效率的比較。 | en_US |
| dc.description.abstract (摘要) | Influence maximization problem is to find a small subset of nodes (seed nodes) in a social network that could maximize the spread of influence. But when marketers advertise for some products, they have a set of target audience. However, influence maximization doesn’t take target audience into account. This project addresses a new problem called labeled influence maximization problem, which is to find a subset of nodes in a labeled social network that could influence target audience and maximizes the profit of influence. In labeled social network, every node has a label, and every label has profit which can be set by marketers. We plan to investigate algorithms, Greedy, NewGreedy, CELFGreedy, and DegreeDiscount, modified from previous studies on original influence maximization to solve labeled influence maximization problem. Moreover, we plan to investigate new algorithms which offline compute the proximities of any two nodes in the labeled social network. When marketers make strategies online, the system will return the approximate solution by using proximities. Experiments will be performed on the labeled social network constructed from Internet Movie Database to measure the efficiency and effectiveness of these algorithms. | en_US |
| dc.language.iso | en_US | - |
| dc.relation (關聯) | 應用研究 | en_US |
| dc.relation (關聯) | 學術補助 | en_US |
| dc.relation (關聯) | 研究期間:10008~ 10107 | en_US |
| dc.relation (關聯) | 研究經費:366仟元 | en_US |
| dc.subject (關鍵詞) | 標籤社群網絡 | en_US |
| dc.title (題名) | 標籤社群網絡之影響力最佳化 | zh_TW |
| dc.title.alternative (其他題名) | Influence Maximization for Labeled Social Network | en_US |
| dc.type (資料類型) | report | en |
