Detecting Influential Users in Social Networks Based on Bipartite Comments Graph
Open Access
- 1 January 2022
- journal article
- Published by Institute for System Programming of the Russian Academy of Sciences in Proceedings of the Institute for System Programming of the RAS
- Vol. 34 (5) , 127-142
Abstract
С развитием онлайновых социальных сетей все большую актуальность приобретают задачи выявления пользователей, которые оказывает большое влияние на других участников социальных сетей. Важным источником информации служат данные о комментировании пользователями контента, создаваемого другими пользователями. В работе предлагается метод определения влиятельности, основанный на двудольном графе пользователь-комментарий-контент, а также использующий информацию о текстовых сообщениях и реакции на них других пользователей. Кроме того, предложен метод выявления сообществ пользователей в таком графе на основе общих интересов. Результаты тестирования на коллекциях данных сетей ВКонтакте и YouTube показывают корреляцию активности и влиятельности пользователя, однако самые активные комментаторы не обязательно являются самыми влиятельными. Анализ сообществ показывает положительную корреляцию между размером сообщества, числом наиболее влиятельных пользователей в нем и средней влиятельностью пользователей сообщества.Keywords
This publication has 9 references indexed in Scilit:
- Measuring influence in online social network based on the user-content bipartite graphComputers in Human Behavior, 2015
- Use of Local Group Information to Identify Communities in NetworksACM Transactions on Knowledge Discovery From Data, 2015
- Community Detection via Maximization of Modularity and Its VariantsIEEE Transactions on Computational Social Systems, 2014
- Quick Detection of Nodes with Large DegreesInternet Mathematics, 2014
- Pay few, influence most: Online myopic network covering2014
- Identifying influential user communities on the social networkEnterprise Information Systems, 2013
- Balanced Multi-Label Propagation for Overlapping Community Detection in Social NetworksJournal of Computer Science and Technology, 2012
- Finding Statistically Significant Communities in NetworksPLOS ONE, 2011
- Finding overlapping communities in networks by label propagationNew Journal of Physics, 2010