Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti

Aybike Şimşek

doi:10.53433/yyufbed.1348472

TR EN

Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti

Öz

Sosyal ağlardaki etkili bireylerin tespiti, kamuoyu şekillendirme, viral pazarlama, dedikodu yayılımını önleme gibi pratikte birçok alan için önemli bir problemdir. Bunun için her bir bireyin ne kadar etkiye sahip olduğunun, bireyin ağ üzerindeki konumuna göre tahmin edilmesi gerekmektedir. Bu amaçla, bireylerin ağ üzerindeki konumları ile ilgili bilgi veren ağ merkezilik ölçütleri literatürde sıklıkla kullanılmaktadır. Mevcut çalışmaların büyük bir kısmı, sosyal ağlardaki bireyleri etkilerine göre sıralamaya ve bu şekilde en etkili kişileri tespit etmeye çalışırlar. Öte yandan, bir sosyal ağ üzerindeki bireylerin çok küçük bir kısmı gerçekten etkili bireydir. Bu bakımdan, bütün bireyleri etkilerine göre bir sıraya koymaya çalışmak yerine, etkili olabilecek bireyleri ve diğer bireyleri iki sınıfa ayırmak birçok uygulama için yeterlidir. Biz bu çalışmada, etkili birey tespiti problemini ikili sınıflandırma problemi olarak ele aldık. Bireylerin merkeziyet ölçütlerini birer öznitelik olarak belirleyip, Karar Ağacı sınıflandırıcı ile bireyleri etkili ve değil şeklinde sınıflandırdık. Deneysel çalışmalar; Karar Ağacı sınıflandırıcının, temel merkezilik ölçütlerine göre daha başarılı sonuçlar verdiğini göstermiştir.

Anahtar Kelimeler

Etkili Birey, Makine Öğrenmesi, Merkezilik ölçütleri, Sosyal ağlar

Identification of Influencer with Machine Learning Using Centrality Measures in Social Networks

Öz

Detection of influencers in social networks is an essential problem for many areas in practice, such as public opinion shaping, viral marketing, and preventing the spread of rumors. For this, it is necessary to estimate how much influence each individual has according to their position on the network. For this purpose, network centrality measures, which provide information about the position of individuals on the network, are frequently used in the literature. Most existing studies try to rank individuals on social networks according to their influence and thus identify the most influential people. On the other hand, a tiny percentage of individuals on a social network are influencers. In this regard, instead of trying to rank all individuals according to their influence, it is sufficient for many applications to divide potential influencers and other individuals into two classes. In this study, we considered the detection problem of influencers as a binary classification problem. We determined the centrality measures of individuals as features and classified the individuals as the influencers and the others with the Decision Tree classifier. Experimental studies have shown that the Decision Tree classifier gives more successful results than the basic centrality measures.

Anahtar Kelimeler

Centraliy Measures, Influencer, Machine Learning, Social networks

Kaynakça

Azaouzi, M., Mnasri, W., & Romdhane, B. L. (2021). New trends in influence maximization models. Computer Science Review, 40, 100393. doi:10.1016/j.cosrev.2021.100393
Borgatti, S. P. (2006). Identifying sets of key players in a social network. Computational and Mathematical Organization Theory, 12(1), 21-34. doi:10.1007/s10588-006-7084-x
Guo, J., & Wu, W. (2021). Adaptive influence maximization. ACM Transactions on Knowledge Discovery from Data, 15(5), 1-23. doi:10.1145/3447396
Kempe, D., Kleinberg, J., & Tardos, É. (2003, August). Maximizing the spread of influence through a social network. International Conference on Knowledge Discovery and Data mining, New York, USA.
Keng, Y. Y., Kwa, K. H., & McClain, C. (2020). Convex combinations of centrality measures. Journal of Mathematical Sociology, 45(4), 195-222. doi:10.1080/0022250X.2020.1765776
Li, D., Wang, C., Zhang, S., Zhou, G., Chu, D., & Wu, C. (2017). Positive influence maximization in signed social networks based on simulated annealing. Neurocomputing, 260, 69-78. doi:10.1016/j.neucom.2017.03.003
McAuley, J., & Leskovec, J. (2012). Learning to discover social circles in ego networks. NIPS’12 Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe, Nevada, USA.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., …, & Duchesnay, E. (2011). Scikit-learn: Machine Learning in {P}ython. Journal of Machine Learning Research, 12, 2825–2830.
Rezaei, A. A., Munoz, J., Jalili, M., & Khayyam, H. (2023). A machine learning-based approach for vital node identification in complex networks. Expert Systems with Applications, 214, 119086. doi:10.1016/j.eswa.2022.119086
Sabah, L., & Şimşek, M. (2023). A new fast entropy‐based method to generate composite centrality measures in complex networks. Concurrency and Computation: Practice and Experience, 35(10). doi:10.1002/cpe.7657

Salavati, C., Abdollahpouri, A., & Manbari, Z. (2019). Ranking nodes in complex networks based on local structure and improving closeness centrality. Neurocomputing, 336, 36-45. doi:10.1016/j.neucom.2018.04.086
Saxena, A., & Iyengar, S. (2020). Centrality measures in complex networks: A survey. doi:10.48550/arXiv.2011.07190
Sheng, J., Dai, J., Wang, B., Duan, G., Long, J., Zhang, J., …, & Guan, W. (2020). Identifying influential nodes in complex networks based on global and local structure. Physica A: Statistical Mechanics and its Applications, 541, 123262. doi:10.1016/j.physa.2019.123262
Şimşek, M., & Meyerhenke, H. (2020). Combined centrality measures for an improved characterization of influence spread in social networks. Journal of Complex Networks, 8(1), cnz048. doi:10.1093/comnet/cnz048
Şimşek, A. (2021). Lexical sorting centrality to distinguish spreading abilities of nodes in complex networks under the Susceptible-Infectious-Recovered (SIR) model. Journal of King Saud University - Computer and Information Sciences, 34(8), 4810-4820. doi:10.1016/j.jksuci.2021.06.010
Wang, S., Liu, J., & Jin, Y. (2019). Finding influential nodes in multiplex networks using a memetic algorithm. IEEE Transactions on Cybernetics, 51(2), 1-13. doi:10.1109/TCYB.2019.2917059
Wen, T., Pelusi, D., & Deng, Y. (2020). Vital spreaders identification in complex networks with multi-local dimension. Knowledge-Based Systems, 195, 105717. doi:10.1016/j.knosys.2020.105717
Yang, Y., Wang, X., Chen, Y., Hu, M., & Ruan, C. (2020). A novel centrality of influential nodes identification in complex networks. IEEE Access, 8, 58742-58751. doi:10.1109/ACCESS.2020.2983053
Zengin Alp, Z., & Gündüz Öğüdücü, Ş. (2018). Identifying topical influencers on twitter based on user behavior and network topology. Knowledge-Based Systems, 141, 211–221. doi:10.1016/j.knosys.2017.11.021
Zhang, Z., Li, X., & Gan, C. (2021). Identifying influential nodes in social networks via community structure and influence distribution difference. Digital Communications and Networks, 7(1), 131-139. doi:10.1016/j.dcan.2020.04.011
Zhao, J., Wang, Y., & Deng, Y. (2020a). Identifying influential nodes in complex networks from global perspective. Chaos, Solitons and Fractals, 133, 109637. doi:10.1016/j.chaos.2020.109637
Zhao, G., Jia, P., Huang, C., Zhou, A., & Fang, Y. (2020b). A machine learning based framework for identifying influential nodes in complex networks. IEEE Access, 8, 65462-65471. doi:10.1109/ACCESS.2020.2984286
Zhuang, Y.-B., Li, Z.-H., & Zhuang, Y.-J. (2021). Identification of influencers in online social networks: measuring influence considering multidimensional factors exploration. Heliyon, 7(4), e06472. doi:10.1016/j.heliyon.2021.e06472

Ayrıntılar

Birincil Dil

Türkçe

Konular

Bilgi Sistemleri (Diğer)

Bölüm

Araştırma Makalesi

Yazarlar

Aybike Şimşek ^*
0000-0002-1033-1597
Türkiye

Yayımlanma Tarihi

30 Nisan 2024

Gönderilme Tarihi

23 Ağustos 2023

Kabul Tarihi

30 Kasım 2023

Yayımlandığı Sayı

Yıl 2024 Cilt: 29 Sayı: 1

DOI

https://doi.org/10.53433/yyufbed.1348472

IZ

https://izlik.org/JA66YU59MT

APA

Şimşek, A. (2024). Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 29(1), 166-172. https://doi.org/10.53433/yyufbed.1348472

AMA

1.Şimşek A. Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti. YYUFBED. 2024;29(1):166-172. doi:10.53433/yyufbed.1348472

Chicago

Şimşek, Aybike. 2024. “Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 29 (1): 166-72. https://doi.org/10.53433/yyufbed.1348472.

EndNote

Şimşek A (01 Nisan 2024) Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 29 1 166–172.

IEEE

[1]A. Şimşek, “Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti”, YYUFBED, c. 29, sy 1, ss. 166–172, Nis. 2024, doi: 10.53433/yyufbed.1348472.

ISNAD

Şimşek, Aybike. “Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 29/1 (01 Nisan 2024): 166-172. https://doi.org/10.53433/yyufbed.1348472.

JAMA

1.Şimşek A. Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti. YYUFBED. 2024;29:166–172.

MLA

Şimşek, Aybike. “Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, c. 29, sy 1, Nisan 2024, ss. 166-72, doi:10.53433/yyufbed.1348472.

Vancouver

1.Aybike Şimşek. Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti. YYUFBED. 01 Nisan 2024;29(1):166-72. doi:10.53433/yyufbed.1348472

Cited By

Semantic and Structural Perspectives on Node Importance: A Combined Classical–LLM Approach

Düzce Üniversitesi Bilim ve Teknoloji Dergisi

https://doi.org/10.29130/dubited.1795730

Sosyal Ağlarda Merkezilik Ölçütleri Kullanılarak Makine Öğrenmesi İle Etkili Bireylerin Tespiti

Öz

Anahtar Kelimeler

Identification of Influencer with Machine Learning Using Centrality Measures in Social Networks

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Semantic and Structural Perspectives on Node Importance: A Combined Classical–LLM Approach