1 Моделирование информационной диффузии

В последние годы было предложено много подходов к прогнозированию и анализу поведения пользователей, основанных на моделировании распространения информации. Большинство методов (Dholakia et al., 2004; Anagnostopoulos et al., 2008; Eagle et al., 2009; Tang et al., 2009; Onnela и Reed-Tsochas, 2010) фокусируются на проблеме с известной структурой сети. , Цур и Раппопорт (2012) предсказали действия социальных сетей, используя различные функции контента и топологии. Бхагат и соавт. (2012) определили пользователей с сильным влиянием на основе опыта и мнений своих друзей. Bonchi et al. (2011) разработали бизнес-приложения, научившись сочетать структуру сообщества и динамику сети. Сайто и соавт. (2011) предложили вероятностную модель, основанную на наблюдаемых диффузионных данных, чтобы сделать прогноз. Ву и соавт. (2011) обнаружили паттерны поведения пользователей в исследованиях медиа-коммуникаций в Twitter. Бакши и соавт. (2011) изучили действия пользователей на основе семейства гипотетических маркетинговых стратегий. Ча и соавт. (2010) разработали три различных метода оценки, чтобы узнать влияние покупок пользователей на покупки. Некоторые другие методы фокусируются на проблеме с сетью ненаблюдаемых ссылок. Гомес-Родригес и соавт. (2010) разработали генеративную модель каскадов для отслеживания путей пользователей. Позднее они расширили эту работу, используя выпуклую оптимизацию (Gomez-Rodriguez and Schölkopf, 2012). Duong et al. (2011) решили эту проблему путем построения исторически зависимой графической многоагентной модели. Ян и Лесковец (2010) считали, что пользователи имеют функции влияния, которые определяют изменения событий в будущем. Чжан и соавт. (2003) применили корреляционный анализ для разработки метода обнаружения звеньев сети в приложении к раскрытию преступлений, связанных с отмыванием денег. Cui et al. (2013) предсказали каскадные вспышки распространения информации путем оптимизации вариаций логистической регрессии.

2. Анализ поведения пользователей социальных сетей.

В области анализа социальных сетей исследования о прогнозировании поведения пользователей на основе различных предположений о пользовательских ситуациях породили большой объем литературы. Guille et al. (2013) подробно описали распространение информации в социальной сети. Ромеро и соавт. (2011) рассмотрели каждого пользователя или веб-сайт на предмет их «влияния» и «пассивности» в социальной сети, а затем объединили известную структуру сети, чтобы обнаружить действия пользователей. Майерс и Лесковец (2012) рассмотрели взаимосвязь «сотрудничества» и «конкуренции» между инфекциями и разработали статистическую модель для прогнозирования действий инфекций. В другой своей работе (Myers et al., 2012) они также считали, что на действия пользователей влияют как внутренние, так и внешние воздействия. Anagnostopoulos et al. (2011) предположили, что в информационном распространении пользователей существуют авторитетные пользователи, которые имеют более высокие полномочия влиять на других. Бакши и соавт. (2012) анализировали поведение пользователей, основанное на изучении двух взаимодействий между пользователями: сильных и слабых связей. Bernstein et al. (2013) разработали подход, позволяющий обнаруживать поведение невидимых пользователей в данных журнала.
В контексте анализа и прогнозирования бизнес-моделей в существующей литературе не рассматриваются полные взаимоотношения между потребителями и магазинами одновременно. Эта работа выделяется тем, что решает эту проблему с помощью модели оптимизации с использованием теории распространения информации.

Использованные источники

  1. Anagnostopoulos, A., Kumar, R., Mahdian, M., 2008.   Influence and correlation  in social networks.   Proc.  14th ACM SIGKDD Int.  Conf.  on Knowledge Discovery and Data Mining, p.7-15. [doi:10.1145/1401890.1401897]
  2. Anagnostopoulos,  A.,  Brova,  G.,  Terzi,  E.,  2011.    Peer and authority pressure in information-propagation mod- els.    LNCS,  6911:76-91.   [doi:10.1007/978-3-642-23780-5_15]
  3. Bakshy, E., Hofman, J.M., Mason, W.A., et al., 2011.  Everyone’s an influencer:  quantifying influence on Twitter. Proc.  4th ACM Int.  Conf.  on Web Search and Data Mining, p.65-74. [doi:10.1145/1935826.1935845]
  4. Bakshy,  E.,  Rosenn,  I.,  Marlow,  C.,  et  al.,  2012. The role of social networks in information diffusion.   Proc. 21st   Int. Conf. on   World   Wide   Web,   p.519-528. [doi:10.1145/2187836.2187907]
  5. Bernstein, M.S., Bakshy, E., Burke, M., et al., 2013.   Quantifying the invisible audience in social networks.   Proc. SIGCHI  Conf.   on  Human  Factors  in  Computing  Systems, p.21-30.  [doi:10.1145/2470654.2470658]
  6. Bhagat,  S.,  Goyal,  A.,  Lakshmanan,  L.V.S.,  2012.    Maximizing product adoption in social networks.   Proc.  5th ACM  Int.    Conf.    on  Web  Search  and  Data  Mining, p.603-612.  [doi:10.1145/2124295.2124368]
  7. Bonchi,  F.,  Castillo,  C.,  Gionis,  A.,  et  al.,  2011. Social network analysis and mining for business applications. ACM Trans.  Intell.  Syst.  Technol., 2(3), Article 22. [doi:10.1145/1961189.1961194]
  8. Box, G.E.P., 2008. Time Series Analysis: Forecasting  and Control.  Wiley.  [doi:10.1002/9781118619193]
  9. Boyd, S., Parikh, N., Chu, E., et al., 2011. Distributed optimization and statistical learning via the alternating direction method of multipliers. Found. Trends Mach. Learn.,  3(1):1-122.   [doi:10.1561/2200000016]
  10. Cha, M., Haddadi, H., Benevenuto,  F., et al., 2010. Measuring user influence in Twitter: the million follower fallacy. Proc. 4th Int. AAAI Conf. on Weblogs and Social Media, p.10-17.
  11. Cui, P., Jin, S.F., Yu, L.Y.,  et  al.,  2013.  Cascading  outbreak prediction in networks: a data-driven approach. Proc. 19th  ACM  SIGKDD  Int.  Conf.  on  Knowledge Discovery and Data Mining, p.901-909. [doi:10. 1145/2487575.2487639]
  12. Dholakia, U.M., Bagozzi, R.P., Pearo, L.K., 2004. A social influence model of consumer participation in networkand small-group-based virtual communities. Int. J. Res. Market., 21(3):241-263. [doi:10.1016/j.ijresmar. 2003.12.004]

E-commerce business model mining and prediction
Zhou-zhou HE, Zhong-fei ZHANG, Chun-ming CHEN, Zheng-gang WANG

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *