نویسنده: نازیلا خسروی
شبکههای اجتماعی آنلاین بهعنوان یکی از مهمترین نمودهای شبکههای پیچیده، نقش تعیینکنندهای در انتشار اطلاعات، شکلگیری افکار عمومی و تعاملات اجتماعی ایفا میکنند. در این میان، شناسایی افراد تأثیرگذار که قادرند بهطور نامتناسبی بر رفتار و تصمیمات سایر کاربران اثر بگذارند، به یکی از مسائل محوری در حوزه شبکههای اجتماعی تبدیل شده است. با این حال، مفهوم «تأثیرگذاری» بهدلیل وابستگی به نوع شبکه، زمینهی کاربرد و چارچوب تحلیلی، تعاریف متعددی یافته و بهتبع آن، روشهای متنوعی برای شناسایی افراد تأثیرگذار پیشنهاد شده است.
این مطلب یک مرور تحلیلی بر روشها و کاربردهای شناسایی افراد تأثیرگذار در شبکههای اجتماعی ارائه میدهد. در این راستا، ابتدا انواع شبکههای اجتماعی و شیوههای مدلسازی آنها بهعنوان شبکههای پیچیده بررسی میشود و سپس تعاریف مختلف تأثیرگذاری از منظر ساختاری، انتشارمحور، رفتاری، زمانی و جامعهمحور مرور میگردد. در ادامه، چارچوبی منسجم برای طبقهبندی روشهای شناسایی افراد تأثیرگذار، شامل رویکردهای ساختاری، مبتنی بر انتشار، رفتارآگاه، یادگیریمحور و روشهای نوظهور ارائه شده و معیارهای رایج ارزیابی این روشها تحلیل میشود. همچنین، کاربردهای عملی این رویکردها در حوزههایی نظیر بازاریابی، سیاست، سلامت عمومی و مدیریت بحران مورد بحث قرار میگیرد. در نهایت، این مطالعه با تبیین ارتباط میان تعاریف تأثیرگذاری، روشهای شناسایی متناظر و زمینههای کاربردی، چالشها و مسیرهای پژوهشی آینده در این حوزه را برجسته میسازد.
شبکههای اجتماعی آنلاین در دهههای اخیر به یکی از مهمترین بسترهای تعامل انسانی در دنیای معاصر تبدیل شدهاند و نقشی اساسی در شکلگیری افکار عمومی، انتشار اطلاعات، تصمیمگیریهای جمعی و رفتارهای اجتماعی ایفا میکنند. با این حال، کاربران شبکههای اجتماعی نقش یکسانی در این فرآیندها ندارند و برخی افراد، بهدلیل موقعیت ساختاری، الگوهای رفتاری یا توانایی تأثیرگذاری بر دیگران، نقش برجستهتری در هدایت جریان اطلاعات و تعاملات اجتماعی ایفا میکنند. شناسایی این افراد که در ادبیات علمی با عنوان «افراد تأثیرگذار» شناخته میشوند، به یکی از مسائل کلیدی در تحلیل شبکههای اجتماعی و شبکههای پیچیده تبدیل شده است.
در طول دو دههی اخیر، پژوهشهای گستردهای با هدف تعریف، مدلسازی و شناسایی افراد تأثیرگذار در شبکههای اجتماعی انجام شده است. با این حال، تنوع ساختار شبکهها، چندبعدی بودن مفهوم تأثیرگذاری و گسترش روزافزون کاربردهای عملی این مسئله، منجر به شکلگیری رویکردها و روشهای متنوعی شده است که مقایسه و تحلیل نظاممند آنها را با چالش مواجه میسازد. در بسیاری از مطالعات، تمرکز بر یک خانواده خاص از روشها یا یک تعریف محدود از تأثیرگذاری بوده است؛ امری که درک جامع ارتباط میان انواع شبکههای اجتماعی، تعاریف مختلف تأثیرگذاری و روشهای شناسایی متناظر با آنها را دشوار میسازد.
از این رو، نیاز به یک مرور منسجم و تحلیلی که بتواند این ارتباط مفهومی را بهصورت یکپارچه تبیین کند، بیش از پیش احساس میشود. هدف این پژوهش، ارائهی یک مرور جامع بر روشها و کاربردهای شناسایی افراد تأثیرگذار در شبکههای اجتماعی است. در این راستا، ابتدا انواع شبکههای اجتماعی و شیوههای مدلسازی آنها بهعنوان شبکههای پیچیده بررسی میشود؛ سپس تعاریف مختلف تأثیرگذاری و چارچوبهای شناسایی افراد تأثیرگذار مرور و طبقهبندی میگردد. در ادامه، معیارهای ارزیابی، کاربردهای عملی و روندهای نوظهور این حوزه تحلیل شده و در نهایت، چالشها و مسیرهای پژوهشی آینده مورد بحث قرار میگیرند.
در ادبیات علمی، شبکههای اجتماعی بهعنوان یکی از مهمترین مصادیق شبکههای پیچیده مورد توجه پژوهشگران قرار گرفتهاند. بهطور معمول، یک شبکهی اجتماعی بهصورت یک گراف مدلسازی میشود که در آن، گرهها نمایانگر کاربران یا عوامل اجتماعی و یالها بیانگر نوعی رابطه، تعامل یا جریان اطلاعات میان آنها هستند. این چارچوب مدلسازی، امکان بهرهگیری از ابزارها و مفاهیم نظریهی شبکههای پیچیده، از جمله تحلیل توپولوژیک، شناسایی ساختارهای جامعهای، بررسی پویایی انتشار اطلاعات و شناسایی گرههای کلیدی را فراهم میکند [1]، [2]. با این حال، مطالعات نشان میدهد که مفهوم «شبکهی اجتماعی» مفهومی یگانه و همگن نیست و بسته به ماهیت یالها و نوع تعاملات اجتماعی، میتوان گونههای متفاوتی از شبکههای اجتماعی را تعریف کرد که هر یک دارای ویژگیها و کاربردهای خاص خود هستند.
1. شبکههای رابطهای (Relation / Friendship / Follow Networks)
شبکههای رابطهای یکی از ابتداییترین و در عین حال پرکاربردترین مدلها برای نمایش شبکههای اجتماعی هستند. در این شبکهها، یالها بیانگر روابط پایدار میان کاربراناند؛ مانند روابط دوستی در شبکههایی نظیر Facebook یا روابط دنبالکردن (follow) در پلتفرمهایی مانند X (Twitter). این شبکهها میتوانند بدون جهت (friendship) یا جهتدار (follow) باشند و معمولاً تغییرات ساختاری آنها در بازههای زمانی کوتاه محدود است. مطالعات متعدد نشان دادهاند که چنین شبکههایی اغلب ویژگیهای شاخص شبکههای پیچیده، از جمله توزیع درجهی مقیاس آزاد، خوشهبندی بالا و خاصیت کوچکجهانی را از خود نشان میدهند [1]، [3]. به همین دلیل، شبکههای رابطهای بستری مناسب برای تحلیلهای ساختاری و رتبهبندی کاربران بر اساس معیارهای مرکزیت محسوب میشوند و بخش قابلتوجهی از پژوهشهای اولیه در حوزه شناسایی افراد تأثیرگذار بر این نوع مدلسازی استوار بودهاند [1].
2. شبکههای تعاملی (Interaction Networks)
در شبکههای تعاملی، یالها نشاندهندهی تعاملات واقعی و فعال میان کاربران هستند، مانند پاسخدادن (reply)، نام بردن (mention)، نظر دادن (comment) یا تبادل پیام. برخلاف شبکههای رابطهای، این یالها معمولاً جهتدار و وزندار بوده و وزن آنها میتواند بیانگر تعداد یا شدت تعاملات باشد. این نوع شبکهها تصویری دقیقتر از رفتار واقعی کاربران در محیطهای اجتماعی آنلاین ارائه میدهند و نسبت به شبکههای صرفاً رابطهای، پویاتر و وابستهتر به زمینههای زمانی و موضوعی هستند [4]. پژوهشها نشان دادهاند که تحلیل نفوذ کاربران بر اساس شبکههای تعاملی، در بسیاری از کاربردها از جمله تحلیل مکالمات گروهی و شناسایی رهبران محتوایی، نتایج واقعگرایانهتری نسبت به تحلیلهای مبتنی بر روابط پایدار ارائه میدهد [4].
3. شبکههای انتشار محتوا (Diffusion / Cascade Networks)
شبکههای انتشار محتوا تمرکز خود را بر فرآیند جریان اطلاعات در شبکههای اجتماعی قرار میدهند. در این مدل، ساختار شبکه بر اساس مسیرهای انتشار محتوا، مانند آبشارهای بازنشر (retweet cascades) یا درختهای اشتراکگذاری (share trees)، تعریف میشود. در این چارچوب، کاربران بهعنوان گرهها و انتقال اطلاعات میان آنها بهعنوان یالها در نظر گرفته میشود. این نوع مدلسازی بهطور گسترده با استفاده از مدلهای انتشار اطلاعات نظیر Independent Cascade (IC)،Linear Threshold (LT) و مدلهای اپیدمیولوژیک مانند SIR و SIS مورد مطالعه قرار گرفته است [4]، [5]. شبکههای انتشار محتوا نقش مهمی در مطالعات مربوط به انتشار شایعات، اخبار جعلی و مسئلهی بیشینهسازی نفوذ (Influence Maximization) ایفا میکنند و نمونهای بارز از ترکیب ساختار شبکه و پویایی فرآیندهای انتشار هستند [5].
4. شبکههای اجتماعی زمانی و پویا (Temporal / Dynamic Social Networks)
بسیاری از شبکههای اجتماعی واقعی ماهیتی پویا دارند و روابط و تعاملات میان کاربران در طول زمان تغییر میکند. شبکههای زمانی این پویایی را با نمایش شبکه بهصورت دنبالهای از snapshotهای زمانی یا با یالهای زماندار مدلسازی میکنند. این رویکرد امکان مطالعهی تغییر نقش کاربران، ظهور و افول افراد تأثیرگذار و تحلیل نفوذهای وابسته به رویداد را فراهم میسازد. مطالعات مروری نشان دادهاند که در نظر گرفتن بعد زمانی میتواند نتایج تحلیل نفوذ را بهطور معناداری تغییر دهد، زیرا اهمیت یک گره ممکن است در طول زمان ثابت نباشد [6]. با وجود اهمیت بالا، پیچیدگی محاسباتی این مدلها سبب شده است که استفاده از شبکههای زمانی نسبت به مدلهای ایستا محدودتر باشد [6].
5. شبکههای اجتماعی چندلایه و چندوجهی (Multilayer / Multiplex Networks)
شبکههای اجتماعی چندلایه با هدف افزایش واقعگرایی در مدلسازی تعاملات اجتماعی توسعه یافتهاند. در این چارچوب، کاربران میتوانند از طریق چند نوع رابطه بهصورت همزمان (مانند follow، like و comment) یا حتی در چند پلتفرم مختلف با یکدیگر در ارتباط باشند. هر نوع رابطه یا پلتفرم بهعنوان یک لایهی مجزا در شبکه مدل میشود. پژوهشهای مروری سطح بالا نشان میدهند که شبکههای چندلایه چارچوبی بسیار غنی برای تحلیل ساختار و پویایی شبکههای اجتماعی فراهم میکنند، اما در عین حال با چالشهای دادهای و محاسباتی قابلتوجهی همراهاند [7]. به همین دلیل، اگرچه این مدلها از نظر نظری بسیار قدرتمند هستند، در مطالعات کاربردی شناسایی افراد تأثیرگذار هنوز کمتر از مدلهای تکلایه مورد استفاده قرار گرفتهاند و بهعنوان یکی از مسیرهای پژوهشی آیندهدار شناخته میشوند [7].
بر اساس مرور ادبیات علمی، شبکههای اجتماعی را میتوان با توجه به ماهیت روابط و تعاملات میان کاربران، به دستههایی همچون شبکههای رابطهای، تعاملی، انتشارمحور، زمانی و چندلایه تقسیمبندی کرد. هر یک از این چارچوبهای مدلسازی، جنبهای خاص از رفتار اجتماعی کاربران را برجسته میسازند و از منظر تحلیلی، قابلیتها و محدودیتهای متفاوتی را برای مطالعه ساختار شبکه، پویایی تعاملات و فرآیندهای انتشار اطلاعات فراهم میکنند.
در نتیجه، انتخاب نوع مدلسازی شبکه اجتماعی نقشی تعیینکننده در تحلیلهای مبتنی بر شبکه، بهویژه در شناسایی افراد تأثیرگذار، ایفا میکند. از آنجا که تعریف «تأثیرگذاری» و روشهای شناسایی کاربران تأثیرگذار بهشدت به نوع شبکه اجتماعی وابسته است، تعیین چارچوب مناسب مدلسازی را میتوان گامی اساسی و پیشنیاز تحلیلهای بعدی دانست؛ موضوعی که مبنای ورود به بحث تعاریف مختلف تأثیرگذاری در بخش بعدی این مطالعه را فراهم میسازد.
در کنار تنوع قابلتوجه در نحوه مدلسازی شبکههای اجتماعی، مفهوم «تأثیرگذاری» نیز در ادبیات پژوهشی تعریف یکتایی ندارد و بسته به هدف مطالعه، زمینهی کاربرد، نوع شبکه و دادههای در دسترس، به اشکال متفاوتی تبیین میشود. مرورهای نظاممند و مقالات مروری ژورنالی نشان میدهند که شناسایی افراد تأثیرگذار در شبکههای اجتماعی نهتنها به ساختار شبکه وابسته است، بلکه به تعریف اتخاذشده از تأثیرگذاری نیز بهشدت بستگی دارد [8]. در این بخش، مهمترین تعاریف تأثیرگذاری که در مطالعات معتبر علمی بهکار رفتهاند، معرفی و تحلیل میشوند.
1. تأثیرگذاری مبتنی بر انتشار اطلاعات (Influence-as-Spread)
رایجترین و پرکاربردترین تعریف تأثیرگذاری در شبکههای اجتماعی، تأثیرگذاری مبتنی بر انتشار اطلاعات است. در این دیدگاه، فرد تأثیرگذار کاربری است که فعالسازی اولیهی او بتواند بیشترین تعداد کاربران دیگر را در فرآیند انتشار اطلاعات، شایعه یا محتوا تحت تأثیر قرار دهد. این تعریف بهطور گسترده در قالب مسئلهی بیشینهسازی نفوذ (Influence Maximization) مطالعه شده است که هدف آن انتخاب مجموعهای کوچک از کاربران اولیه (seed nodes) برای دستیابی به بیشترین گسترهی انتشار در شبکه است [9].
این نوع تأثیرگذاری معمولاً با استفاده از مدلهای انتشار نظیر IC وLT و همچنین مدلهای اپیدمیولوژیک مانند SIR و SIS ارزیابی میشود. پژوهشها نشان دادهاند که این تعریف از تأثیرگذاری ارتباط مستقیمی با پویایی شبکههای اجتماعی و ساختار آبشارهای انتشار دارد و در کاربردهایی نظیر بازاریابی ویروسی، انتشار اخبار، شناسایی شایعات و تحلیل کمپینهای اجتماعی نقش کلیدی ایفا میکند [10]، [11].
2. تأثیرگذاری ساختاری (Structural Influence)
در تعریف ساختاری تأثیرگذاری، تمرکز اصلی بر موقعیت توپولوژیک کاربران در شبکه اجتماعی است. در این رویکرد، فرد تأثیرگذار کاربری تلقی میشود که از نظر ساختاری نقش مهمی در اتصال بخشهای مختلف شبکه، تسهیل جریان اطلاعات یا حفظ انسجام شبکه ایفا میکند. معیارهای کلاسیک مرکزیت نظیرDegree، Betweenness، Closeness Eigenvector و PageRank در این دسته قرار میگیرند و سالها بهعنوان ابزارهای پایه برای شناسایی کاربران مهم مورد استفاده بودهاند [1]، [12].
اگرچه این معیارها به دلیل سادگی محاسباتی و تفسیرپذیری بالا همچنان بهعنوان معیارهای مرجع در بسیاری از مطالعات بهکار میروند، مرورهای پژوهشی نشان دادهاند که تأثیرگذاری ساختاری لزوماً به معنای تأثیرگذاری واقعی در فرآیندهای انتشار اطلاعات یا تغییر رفتار کاربران نیست [8]. با این حال، این تعریف همچنان در تحلیل آسیبپذیری شبکهها، شناسایی گرههای بحرانی و مقایسه روشهای پیشرفتهتر نقش مهمی ایفا میکند. این رویکرد عمدتاً در چارچوب شبکههای ایستا تعریف شده است و تعمیم آن به شبکههای پویا نیازمند ملاحظات اضافی است [6].
3. تأثیرگذاری رفتاری و محتوایی (Behavioral / Content-driven Influence)
در سالهای اخیر، توجه پژوهشگران به تعریفی از تأثیرگذاری معطوف شده است که علاوه بر ساختار شبکه، رفتار کاربران و واکنش آنها به محتوا را نیز در نظر میگیرد. در این دیدگاه، تأثیرگذاری یک کاربر بر اساس میزان تعامل ایجادشده، نظیر لایک، کامنت، بازنشر یا مشارکت سایر کاربران در واکنش به محتوای منتشرشده سنجیده میشود. این تعریف بهویژه در مطالعات مرتبط با بازاریابی دیجیتال و تحلیل اینفلوئنسرها کاربرد گستردهای یافته است [13].
پژوهشهای اخیر نشان میدهند که ترکیب ویژگیهای ساختاری شبکه با شاخصهای رفتاری و محتوایی کاربران میتواند به شناسایی افرادی منجر شود که اگرچه از نظر ساختاری مرکزی نیستند، اما از طریق تولید محتوای اثرگذار نقش مهمی در شکلدهی تعاملات اجتماعی ایفا میکنند [14]. این رویکرد، نگاه واقعگرایانهتری به مفهوم تأثیرگذاری در شبکههای اجتماعی ارائه میدهد.
4. تأثیرگذاری زمانی (Temporal Influence)
تعریف زمانی تأثیرگذاری بر این فرض استوار است که نفوذ کاربران در شبکههای اجتماعی ایستا نیست و میتواند در طول زمان تغییر کند. در این دیدگاه، افراد تأثیرگذار بهعنوان کاربرانی تعریف میشوند که در بازههای زمانی خاص، بهویژه در رویدادهای اجتماعی، بحرانها یا کمپینهای مشخص، نقش برجستهای در شبکه ایفا میکنند. این نوع تأثیرگذاری با استفاده از مدلهای شبکههای زمانی، تحلیل snapshotهای متوالی یا یالهای زماندار مورد مطالعه قرار میگیرد [6].
مطالعات اخیر نشان دادهاند که نادیده گرفتن بعد زمانی میتواند منجر به شناسایی نادرست افراد تأثیرگذار شود، زیرا کاربرانی که در یک مقطع زمانی خاص نقش کلیدی دارند، ممکن است در تحلیلهای ایستا کماهمیت به نظر برسند [15]. با وجود اهمیت این تعریف، ادبیات مربوط به تأثیرگذاری زمانی همچنان در حال توسعه است و فرصتهای پژوهشی قابلتوجهی در این حوزه وجود دارد.
5. تأثیرگذاری جامعهمحور و عادلانه (Community-based / Fair Influence)
در برخی مطالعات، تأثیرگذاری نه در سطح کل شبکه، بلکه در سطح جوامع یا گروههای اجتماعی بررسی میشود. در این رویکرد، فرد تأثیرگذار کاربری است که بتواند نفوذ مؤثری در یک یا چند جامعه خاص داشته باشد یا نقش پل ارتباطی میان جوامع مختلف را ایفا کند. این تعریف بهویژه در شبکههایی با ساختار جامعهای قوی اهمیت مییابد [16].
علاوه بر این، مفهوم تأثیرگذاری عادلانه (Fair Influence) در سالهای اخیر مطرح شده است که هدف آن توزیع متوازن نفوذ میان گروههای مختلف شبکه و جلوگیری از تمرکز بیشازحد تأثیر در یک بخش خاص است. این رویکرد عمدتاً در چارچوب Influence Maximization مطالعه میشود و کاربردهایی در سیاستگذاری اجتماعی، تحلیل سوگیریهای شبکهای و تصمیمگیریهای مبتنی بر عدالت دارد [17].
6. تأثیرگذاری رقابتی و تقابلی (Competitive / Adversarial Influence)
در برخی مطالعات جدید، تأثیرگذاری نه بهصورت یک فرآیند منفرد، بلکه بهعنوان یک پدیدهی رقابتی یا تقابلی میان چند عامل مدلسازی میشود. در این دیدگاه، کاربران یا کمپینهای مختلف بهطور همزمان برای گسترش پیامهای متفاوت یا متضاد در شبکه رقابت میکنند و تأثیرگذاری یک کاربر به میزان موفقیت او در این فضای رقابتی وابسته است. این تعریف بهویژه در تحلیل انتشار اطلاعات متضاد، رقابت برندها و مقابله با اطلاعات نادرست کاربرد دارد و اغلب در قالب مدلهای Competitive یا Adversarial Influence مورد مطالعه قرار میگیرد [25].
7. تأثیرگذاری میانپلتفرمی و چندشبکهای (Cross-Network Influence)
با گسترش حضور کاربران در چندین پلتفرم اجتماعی بهصورت همزمان، مفهوم تأثیرگذاری میانپلتفرمی مطرح شده است. در این رویکرد، فرد تأثیرگذار کاربری است که نفوذ او تنها محدود به یک شبکه اجتماعی نیست، بلکه میتواند نقش انتقالدهنده یا تقویتکننده اطلاعات میان چند شبکه مختلف را ایفا کند. پژوهشهای اخیر نشان میدهند که نادیده گرفتن این بعد میتواند به برآورد ناقص تأثیرگذاری کاربران منجر شود، بهویژه در تحلیل کمپینهای بزرگمقیاس و چندرسانهای [21]. این دیدگاه را میتوان بهعنوان تعمیمی از شبکههای چندلایه با تمرکز ویژه بر تعامل میان پلتفرمهای مستقل در نظر گرفت.
8. تأثیرگذاری مقاوم و پایدار (Robust / Stable Influence)
یکی دیگر از دیدگاههای نوظهور، تعریف تأثیرگذاری بر اساس پایداری و مقاومت آن در برابر عدم قطعیتها، نویز دادهها یا تغییرات ساختاری شبکه است. در این چارچوب، کاربر تأثیرگذار فردی است که نفوذ او تحت سناریوهای مختلف مدلسازی، تغییرات زمانی یا اختلالات شبکهای همچنان حفظ میشود. این نگاه بهویژه در کاربردهای حساس مانند سیاستگذاری اجتماعی، مدیریت بحران و تحلیل شبکههای بزرگ و ناقص اهمیت یافته است و در مرورهای جدید بهعنوان مکملی برای تعاریف کلاسیک معرفی میشود [20]، [24].
بر اساس مرور ادبیات پژوهشی، مفهوم «تأثیرگذاری» در شبکههای اجتماعی مفهومی چندبعدی و وابسته به چارچوب تحلیل است که نمیتوان آن را به یک تعریف یگانه یا یک شاخص ثابت فروکاست. همانگونه که در این بخش بررسی شد، تأثیرگذاری میتواند از منظر انتشار اطلاعات، جایگاه ساختاری، رفتار و محتوا، پویایی زمانی، نقش جامعهای و نیز دیدگاههای نوظهور مانند رقابت، میانپلتفرمی بودن و پایداری نفوذ تعریف شود. هر یک از این تعاریف، جنبهای خاص از نفوذ کاربران را برجسته میکنند و پاسخگوی نیازهای تحلیلی متفاوتی در کاربردهای گوناگون هستند.
از این رو، انتخاب تعریف مناسب تأثیرگذاری نهتنها بر نحوه تفسیر نتایج، بلکه بهطور مستقیم بر نوع روشها، مدلها و معیارهای مورد استفاده برای شناسایی افراد تأثیرگذار تأثیر میگذارد. به بیان دیگر، روشهای شناسایی کاربران تأثیرگذار همواره در چارچوب یک یا چند تعریف مشخص از تأثیرگذاری معنا پیدا میکنند. بنابراین، پیش از بررسی و مقایسه رویکردهای الگوریتمی مختلف، لازم است چارچوب مفهومی تأثیرگذاری بهصورت شفاف تعیین شود. این دیدگاه، مبنای ارائه چارچوب طبقهبندی و تحلیل روشهای شناسایی افراد تأثیرگذار در بخشهای بعدی این مطالعه را فراهم میسازد.
با توجه به تنوع ساختار شبکههای اجتماعی و چندبعدی بودن مفهوم «تأثیرگذاری» که در بخشهای پیشین بررسی شد، روشهای شناسایی کاربران تأثیرگذار نیز رویکردهای متنوعی را دنبال کردهاند. مرور ادبیات پژوهشی نشان میدهد که این روشها را نمیتوان در قالب یک الگوریتم یا معیار واحد خلاصه کرد، بلکه هر یک بر جنبهای خاص از شبکه یا فرآیند نفوذ اجتماعی تمرکز دارند [8].
از منظر روششناختی، یکی از رویکردهای رایج در مقالات مروری سطح بالا، دستهبندی روشها بر اساس ماهیت اطلاعات مورد استفاده است؛ بهگونهای که برخی روشها صرفاً به ساختار توپولوژیک شبکه متکیاند، برخی دیگر فرآیند انتشار اطلاعات را مدلسازی میکنند و گروهی نیز با بهرهگیری از دادههای رفتاری یا رویکردهای یادگیری دادهمحور به شناسایی افراد تأثیرگذار میپردازند [20]، [21]. در ادامه، مهمترین خانوادههای روشهای شناسایی افراد تأثیرگذار بهصورت سطحبالا معرفی میشوند.
روشهای مبتنی بر ساختار شبکه، قدیمیترین و بنیادیترین رویکردها برای شناسایی افراد تأثیرگذار در شبکههای اجتماعی بهشمار میروند. در این خانواده از روشها، شبکه اجتماعی معمولاً بهصورت یک گراف ایستا مدلسازی میشود و فرض اصلی آن است که جایگاه توپولوژیک کاربران در شبکه میتواند بیانگر میزان اهمیت یا نفوذ آنها باشد [1]، [12]. در این چارچوب، تأثیرگذاری مستقل از محتوای منتشرشده یا پویایی انتشار در نظر گرفته میشود و تحلیل صرفاً بر ساختار ارتباطات میان کاربران استوار است.
معیارهای کلاسیک مرکزیت
معیارهای کلاسیک مرکزیت، هستهی اصلی روشهای ساختاری را تشکیل میدهند و شامل معیارهایی نظیر Degree، Betweenness، Closeness، Eigenvector و PageRank هستند [12].
Degree centrality: بر تعداد ارتباطات مستقیم یک کاربر تمرکز دارد و فرض میکند کاربران با ارتباطات بیشتر، پتانسیل نفوذ بالاتری دارند.
Betweenness centrality: نقش واسطهای کاربران در مسیرهای کوتاه شبکه را میسنجد و برای شناسایی گرههایی که جریان اطلاعات از طریق آنها عبور میکند مناسب است.
Closeness centrality: میزان نزدیکی یک گره به سایر گرهها را در نظر میگیرد و بیشتر بر سرعت بالقوه انتشار اطلاعات تمرکز دارد.
Eigenvector centrality و PageRank: علاوه بر تعداد ارتباطات، به اهمیت همسایگان نیز توجه میکنند و بدین ترتیب نوعی نفوذ غیرمستقیم را مدل میسازند [1]، [12].
این معیارها به دلیل سادگی محاسباتی نسبی، تفسیرپذیری بالا و عدم نیاز به دادههای جانبی، بهطور گسترده بهعنوان معیارهای مرجع (baseline) در مطالعات شناسایی افراد تأثیرگذار استفاده میشوند [20].
معیارهای محلی، نیمهمحلی و سراسری
مرورهای جدید نشان میدهند که معیارهای ساختاری را میتوان بر اساس دامنه اطلاعات مورد استفاده به سه دستهی محلی (local)، نیمهمحلی (semi-local) و سراسری (global) تقسیم کرد [24]، [29].
معیارهای محلی: تنها از اطلاعات همسایگان مستقیم استفاده میکنند و از نظر محاسباتی بسیار مقیاسپذیر هستند.
معیارهای نیمهمحلی: اطلاعات همسایگان در چند گام محدود را در نظر میگیرند و تلاش میکنند توازن بهتری میان دقت و هزینه محاسباتی برقرار کنند.
معیارهای سراسری: کل ساختار شبکه را لحاظ میکنند و اگرچه از نظر تحلیلی غنیتر هستند، اما در شبکههای بزرگمقیاس با چالشهای محاسباتی مواجهاند [20].
این طبقهبندی نشان میدهد که انتخاب معیار ساختاری، همواره تابعی از مقیاس شبکه و محدودیتهای محاسباتی مسئله است.
معیارهای مبتنی بر هسته و پیرامون شبکه
فراتر از معیارهای کلاسیک، برخی پژوهشها معیارهای مبتنی بر ساختار هستهای شبکه، مانندk-core decomposition، را برای شناسایی افراد تأثیرگذار پیشنهاد کردهاند. مطالعات نشان دادهاند که گرههایی که در هستههای عمیقتر شبکه قرار دارند، در بسیاری از سناریوهای انتشار، نقش مهمتری نسبت به گرههای با درجه بالا اما پیرامونی ایفا میکنند [5].
این دسته از روشها بهویژه در تحلیل «influential spreaders» مورد توجه قرار گرفتهاند و پیوندی مفهومی میان تحلیل ساختاری و پویایی انتشار برقرار میکنند.
مزیت اصلی این روشها، سادگی، شفافیت و استقلال از دادههای رفتاری یا محتوایی است. این ویژگیها باعث شده است که این روشها همچنان نقش مهمی در تحلیلهای اولیه شبکه و مقایسه با رویکردهای پیشرفتهتر ایفا کنند [8].
با این حال، مرورهای نظاممند تأکید میکنند که معیارهای ساختاری عموماً در چارچوب شبکههای ایستا تعریف شدهاند و قادر به مدلسازی پویایی انتشار، تغییر رفتار کاربران یا وابستگیهای زمانی نیستند [6]، [20]. در نتیجه، کاربران شناساییشده بهعنوان «مرکزی» از نظر ساختاری، لزوماً بیشترین تأثیر عملی را در فرآیندهای واقعی انتشار اطلاعات ندارند. این محدودیتها زمینهساز توسعه روشهای مبتنی بر انتشار، رفتار و یادگیری دادهمحور در سالهای اخیر شده است.
در روشهای مبتنی بر انتشار اطلاعات، تأثیرگذاری کاربران نه بر اساس جایگاه صرفاً ساختاری، بلکه بر پایه توانایی آنها در گسترش اطلاعات، رفتار یا نوآوری در شبکه اجتماعی تعریف میشود. این دیدگاه بهطور مستقیم با تعریف «تأثیرگذاری مبتنی بر انتشار» همراستاست و چارچوب غالب آن، مسئلهی بیشینهسازی نفوذ (Influence Maximization) است [9]. در این چارچوب، هدف شناسایی مجموعهای کوچک از کاربران اولیه (seed nodes) است که فعالسازی آنها منجر به بیشترین میزان انتشار اطلاعات در شبکه شود.
بخش عمدهای از روشهای انتشارمحور بر مدلهای انتشار احتمالی استوار هستند. دو مدل کلاسیک و پرکاربرد در این زمینه، Independent Cascade (IC) و Linear Threshold (LT) هستند که نخستینبار بهصورت نظاممند در مسئله Influence Maximization مطرح شدند [9].
در مدل IC، هر گره فعال تلاش میکند همسایگان غیرفعال خود را با یک احتمال مشخص فعال کند، در حالیکه در مدل LT، فعالسازی یک گره به مجموع تأثیر همسایگان فعال آن وابسته است. افزون بر این، در برخی مطالعات از مدلهای الهامگرفته از اپیدمیولوژی مانند SIR و SIS نیز برای شبیهسازی فرآیند انتشار استفاده شده است، بهویژه در کاربردهایی نظیر تحلیل شایعات یا انتشار بیماریها در شبکههای اجتماعی [5]، [22].
الگوریتمهای کلاسیک Influence Maximization
حل دقیق مسئله Influence Maximization تحت مدلهای IC و LT یک مسئله NP-hard است. با این حال، نشان داده شده است که تابع انتشار در این مدلها خاصیت زیرپیمانهای (submodularity) دارد، که امکان استفاده از الگوریتمهای حریصانه (greedy) با تضمین تقریب را فراهم میسازد [9].
الگوریتمهای حریصانه کلاسیک، اگرچه از نظر نظری جذاب هستند، اما به دلیل نیاز به شبیهسازیهای مونتکارلو در هر مرحله، هزینه محاسباتی بالایی دارند و مقیاسپذیری آنها در شبکههای بزرگمقیاس محدود است [22]. این چالش، انگیزه اصلی توسعه روشهای تقریبی، ابتکاری و سریعتر در ادبیات بعدی بوده است.
روشهای تقریبی و ابتکاری
برای غلبه بر هزینه محاسباتی الگوریتمهای حریصانه، پژوهشگران مجموعهای از روشهای تقریبی و ابتکاری را پیشنهاد کردهاند که بهجای شبیهسازی دقیق انتشار، از تخمینهای ساختاری، نمونهبرداری یا معیارهای جایگزین استفاده میکنند. نمونههایی از این رویکردها شامل الگوریتمهای مبتنی بر نمونهبرداری معکوس (Reverse Influence Sampling)، روشهای مبتنی بر رتبهبندی گرهها و الگوریتمهای فراابتکاری هستند [23]، [34].
مرورهای اخیر نشان میدهند که این روشها اگرچه تضمین نظری ضعیفتری نسبت به الگوریتمهای حریصانه دارند، اما در عمل تعادلی مناسب میان کیفیت انتشار و کارایی محاسباتی برقرار میکنند و برای کاربردهای بزرگمقیاس مناسبترند [22]، [33].
Influence Maximization رفتارآگاه
یکی از انتقادهای اصلی به مدلهای انتشار کلاسیک، فرض همگنبودن رفتار کاربران است. در پاسخ به این محدودیت، رویکردهای behavior-aware influence maximization توسعه یافتهاند که در آنها پارامترهای رفتاری کاربران، مانند احتمال پذیرش محتوا، سطح فعالیت یا تعاملپذیری، بهصورت صریح در مدل انتشار یا انتخاب seedها لحاظ میشود [21].
مطالعات مروری نشان میدهند که این رویکردها بهویژه در سناریوهای بازاریابی هدفمند و کمپینهای اجتماعی، قادر به ارائه برآورد واقعگرایانهتری از نفوذ کاربران هستند، هرچند نیاز به دادههای رفتاری قابل اعتماد و چالش تعمیمپذیری از محدودیتهای آنها محسوب میشود [21]، [22].
روشهای یادگیریمحور در Influence Maximization
در سالهای اخیر، پژوهشها به سمت استفاده از یادگیری ماشین و یادگیری عمیق برای حل یا تقریب مسئله Influence Maximization حرکت کردهاند. در این رویکردها، بهجای شبیهسازی مستقیم انتشار، مدلهای یادگیری تلاش میکنند الگوی انتخاب seedهای مؤثر یا میزان انتشار را از دادههای شبکه بیاموزند [20]، [30].
مرورهای جدید این مسیر را بهعنوان یکی از جریانهای فعال و رو به رشد معرفی میکنند، زیرا میتواند بخشی از هزینه محاسباتی روشهای کلاسیک را کاهش دهد و امکان تطبیق با سناریوهای پیچیدهتر را فراهم سازد؛ هرچند چالشهایی مانند نیاز به داده آموزشی، تفسیرپذیری و پایداری نتایج همچنان مطرح است [31]، [33].
مزیت اصلی روشهای مبتنی بر انتشار آن است که تأثیرگذاری را بهصورت مستقیم و عملیاتی با فرآیند واقعی نفوذ اجتماعی پیوند میدهند. به همین دلیل، این روشها در کاربردهایی نظیر بازاریابی ویروسی، تحلیل شایعات، سیاستگذاری اجتماعی و کنترل اطلاعات نادرست اهمیت ویژهای دارند [11]، [21].
در مقابل، وابستگی شدید به مدل انتشار، هزینه محاسباتی بالا و دشواری لحاظکردن همزمان پویایی زمانی، رفتار کاربران و ساختارهای چندلایه از مهمترین محدودیتهای این خانواده بهشمار میروند. این محدودیتها نقش مهمی در ظهور روشهای یادگیریمحور و چارچوبهای نوظهور ایفا کردهاند؛ موضوعی که در زیربخشهای بعدی بررسی خواهد شد.
در بسیاری از شبکههای اجتماعی واقعی، نفوذ کاربران صرفاً به ساختار شبکه یا قوانین سادهی انتشار اطلاعات محدود نمیشود، بلکه به رفتار، سطح فعالیت، ترجیحات فردی و میزان واکنشپذیری آنها نسبت به محتوا نیز وابسته است. از این رو، بخشی از ادبیات پژوهشی با هدف افزایش واقعگرایی در شناسایی افراد تأثیرگذار، به توسعهی روشهایی پرداخته است که در آنها ویژگیهای رفتاری و زمینهای کاربران بهصورت صریح در تحلیل نفوذ لحاظ میشود. این رویکرد با مفهوم «تأثیرگذاری رفتاری و محتوایی» همراستاست و میکوشد فاصلهی میان مدلهای انتزاعی نفوذ و رفتار واقعی کاربران را کاهش دهد [13]، [21].
روشهای رفتارآگاه بر این فرض استوارند که کاربران شبکههای اجتماعی از نظر میزان فعالیت، احتمال پذیرش پیام و الگوهای تعامل همگن نیستند؛ ازاینرو، مدلسازی همگن نفوذ در بسیاری از مدلهای کلاسیک میتواند به برآورد نادقیق میزان تأثیرگذاری منجر شود [21]. در این چارچوب، تأثیرگذاری یک کاربر نهتنها به جایگاه ساختاری او، بلکه به ویژگیهایی نظیر فراوانی تولید یا انتشار محتوا، نرخ تعامل دریافتشده و زمینهی موضوعی محتوا وابسته تلقی میشود.
مطالعات نشان دادهاند که ترکیب این شاخصهای رفتاری با ویژگیهای ساختاری شبکه میتواند به شناسایی کاربرانی منجر شود که اگرچه از نظر توپولوژیک مرکزی نیستند، اما از طریق محتوای اثرگذار، نقشی مهم در شکلدهی تعاملات اجتماعی ایفا میکنند؛ رویکردی که در حوزههایی مانند بازاریابی دیجیتال و تحلیل اینفلوئنسرها کاربرد گستردهای یافته است [13]، [17].
Influence Maximization رفتارآگاه
در امتداد رویکردهای رفتارمحور، برخی پژوهشها چارچوب Influence Maximization را نیز بهصورت رفتارآگاه توسعه دادهاند. در این روشها، پارامترهای انتشار بهصورت وابسته به کاربر یا وابسته به زمینه تعریف میشوند؛ بهعنوان مثال، احتمال فعالسازی یک گره میتواند تابعی از سطح فعالیت، ترجیحات موضوعی یا سابقه تعامل آن کاربر باشد [21].
مرورهای اخیر نشان میدهند که نسخههای رفتارآگاه Influence Maximization میتوانند در سناریوهای واقعی، نظیر کمپینهای هدفمند بازاریابی یا تحلیل انتشار اطلاعات نادرست، عملکرد دقیقتر و واقعگرایانهتری نسبت به مدلهای همگن کلاسیک ارائه دهند. با این حال، افزایش پیچیدگی مدل، نیاز به دادههای رفتاری معتبر و چالش تعمیمپذیری از مهمترین محدودیتهای این رویکردها بهشمار میروند [21]، [22].
روشهای زمینهمحور و وابسته به محتوا
در برخی مطالعات، مفهوم رفتارآگاهی با زمینهمحوری (context-awareness) ترکیب شده است؛ به این معنا که تأثیرگذاری کاربران به موضوع، نوع محتوا یا رویداد اجتماعی وابسته در نظر گرفته میشود. در این رویکردها، یک کاربر ممکن است در یک حوزه موضوعی خاص بسیار تأثیرگذار باشد، اما در حوزهای دیگر نقش حاشیهای ایفا کند.
مطالعات منتشرشده در ژورنالهای سطح بالا نشان دادهاند که نادیده گرفتن زمینه محتوایی میتواند به شناسایی نادرست افراد تأثیرگذار منجر شود، بهویژه در شبکههای چندموضوعی و پویا مانند Twitter یا Weibo [22]. این دیدگاه زمینه را برای توسعه روشهای ترکیبی با تحلیل محتوا و یادگیری ماشین فراهم کرده است.
مزیت اصلی روشهای رفتارآگاه و زمینهمحور آن است که تعریفی واقعگرایانهتر از تأثیرگذاری ارائه میدهند و قادرند تفاوتهای فردی کاربران و تنوع الگوهای تعامل را بهصورت صریح در فرآیند تحلیل نفوذ لحاظ کنند. این ویژگی موجب شده است که این روشها در کاربردهایی نظیر بازاریابی هدفمند، تحلیل اینفلوئنسرها و شناسایی رهبران محتوایی، در بسیاری از سناریوهای عملی عملکرد مؤثرتری نسبت به روشهای صرفاً ساختاری از خود نشان دهند [21].
در مقابل، محدودیتهای مهم این خانواده شامل وابستگی شدید به کیفیت و دسترسپذیری دادههای رفتاری، حساسیت به نویز و عدم قطعیت دادهها، و دشواری تعمیم نتایج میان پلتفرمهای مختلف یا بازههای زمانی متفاوت است. افزون بر این، افزایش پیچیدگی مدل میتواند هزینه محاسباتی و دشواری تفسیر نتایج را افزایش دهد و کاربردپذیری این روشها را در مقیاسهای بزرگ با چالش مواجه سازد [20]، [22].
با افزایش مقیاس شبکههای اجتماعی، تنوع رفتار کاربران و پیچیدگی الگوهای نفوذ، روشهای کلاسیک مبتنی بر ساختار یا شبیهسازی انتشار با محدودیتهای جدی مواجه شدهاند. در پاسخ به این چالشها، رویکردهای مبتنی بر یادگیری ماشین و یادگیری عمیق بهعنوان یک تغییر پارادایم اساسی در شناسایی افراد تأثیرگذار مطرح شدهاند. در این رویکردها، مسئله شناسایی افراد تأثیرگذار معمولاً بهصورت یک مسئله پیشبینی، رتبهبندی یا یادگیری برای تصمیمگیری فرموله میشود و مدل تلاش میکند الگوهای پیچیده نفوذ را مستقیماً از دادههای شبکه بیاموزد [8]، [20].
در روشهای یادگیریمحور، برخلاف رویکردهای شاخصمحور، اهمیت کاربران بهصورت صریح با یک فرمول از پیش تعریفشده محاسبه نمیشود، بلکه مدل از روی دادههای تاریخی شبکه، روابط ساختاری و در صورت وجود ویژگیهای رفتاری یا محتوایی آموزش میبیند. خروجی این مدلها میتواند یک امتیاز تأثیرگذاری، یک رتبهبندی از کاربران یا حتی یک مجموعه seed برای بیشینهسازی نفوذ باشد [20].
مرورهای اخیر نشان میدهند که این روشها انعطافپذیری بالایی در ترکیب انواع دادهها (ساختاری، رفتاری، زمانی و چندلایه) دارند و قادرند وابستگیهای غیرخطی و پیچیده میان کاربران را مدلسازی کنند [8].
تعبیهسازی گراف (Graph Embedding)
نخستین نسل از روشهای یادگیریمحور برای شناسایی افراد تأثیرگذار، مبتنی بر تعبیهسازی گراف (graph embedding) بودند. در این رویکردها، گرههای شبکه به بردارهایی در فضای کمبعد نگاشت میشوند، بهگونهای که ساختار محلی یا جهانی شبکه حفظ شود. سپس این بردارها بهعنوان ورودی الگوریتمهای یادگیری ماشین برای پیشبینی یا رتبهبندی تأثیرگذاری کاربران استفاده میشوند [26].
اگرچه روشهای embedding نسبت به معیارهای ساختاری کلاسیک انعطافپذیرتر هستند، اما معمولاً در یادگیری وابستگیهای پیچیده و سلسلهمراتبی شبکههای اجتماعی با محدودیت مواجهاند؛ مسئلهای که به ظهور شبکههای عصبی گراف منجر شد.
شبکههای عصبی گراف (Graph Neural Networks)
شبکههای عصبی گراف (GNN) بهعنوان یکی از جریانهای غالب در شناسایی افراد تأثیرگذار مطرح شدهاند. این مدلها با انجام عملیات تجمیع پیام (message passing)، قادرند اطلاعات ساختاری گراف و ویژگیهای گرهها را بهصورت همزمان یاد بگیرند. پژوهشها نشان دادهاند که GNNها میتوانند الگوهای نفوذ محلی و جهانی را با دقت بالاتری نسبت به روشهای کلاسیک استخراج کنند [18]، [27].
در بسیاری از مطالعات، GNNها برای پیشبینی میزان تأثیرگذاری گرهها یا تولید رتبهبندی کاربران استفاده شدهاند و نتایج آنها با معیارهایی مانند گستره انتشار یا همبستگی با نتایج Influence Maximization ارزیابی شده است [20].
توجه و Transformer
در سالهای اخیر، معماریهای مبتنی بر توجه (attention) و Transformer نیز به حوزه شناسایی افراد تأثیرگذار راه یافتهاند. این مدلها قادرند اهمیت نسبی همسایگان یا روابط مختلف را بهصورت تطبیقی وزندهی کنند و بدین ترتیب، وابستگیهای بلندبرد و غیرمحلی در شبکه را بهتر مدلسازی نمایند [19].
مطالعات منتشرشده در ژورنالهای سطح بالا نشان میدهند که ترکیب GNNها با مکانیزمهای توجه یا استفاده از Transformerهای گرافی میتواند عملکرد بهتری در شبکههای بزرگ و ناهمگن ارائه دهد، هرچند هزینه محاسباتی بالاتر و نیاز به داده آموزشی بیشتر از چالشهای این رویکرد محسوب میشود [31]، [28].
مزیت اصلی روشهای مبتنی بر یادگیری ماشین و یادگیری عمیق، توانایی آنها در مدلسازی الگوهای پیچیده، غیرخطی و چندبعدی نفوذ اجتماعی است. این روشها امکان ترکیب همزمان ساختار شبکه، ویژگیهای رفتاری، اطلاعات زمانی و حتی دادههای چندلایه را فراهم میکنند و در بسیاری از مطالعات تجربی، عملکرد برتری نسبت به روشهای کلاسیک نشان دادهاند [8]، [20].
با این حال، محدودیتهایی مانند نیاز به داده آموزشی با کیفیت، هزینه محاسباتی بالا، حساسیت به تغییر دامنه (domain shift) و تفسیرپذیری محدود همچنان از چالشهای اصلی این خانواده محسوب میشوند. به همین دلیل، مرورهای اخیر بر لزوم توسعه روشهای کاراتر، قابلتفسیرتر و پایدارتر تأکید دارند [20]، [24].
مرور ادبیات بهروز نشان میدهد که پژوهشهای اخیر در حوزه شناسایی افراد تأثیرگذار، بهطور فزایندهای از چارچوبهای ایستا، تکلایه و تکهدفه فاصله گرفته و به سمت مدلسازی جنبههای پیچیدهتر و واقعگرایانهتر نفوذ اجتماعی حرکت کردهاند. این روند عمدتاً در پاسخ به محدودیتهای روشهای کلاسیک و نیازهای کاربردی جدید، مانند پویایی زمانی، همزیستی چند نوع رابطه و رقابت میان پیامها، شکل گرفته است [20]، [22]. در ادامه، مهمترین جریانهای نوظهور در این حوزه معرفی میشوند.
روشهای زمانی و پویا (Temporal and Dynamic Methods)
یکی از مهمترین روندهای نوظهور، تمرکز بر ماهیت زمانی شبکههای اجتماعی است. در این رویکردها، شبکه بهصورت دنبالهای از برشهای زمانی (snapshots) یا با یالهای زماندار مدلسازی میشود و هدف آن است که تغییر نقش کاربران و نفوذ آنها در طول زمان بهصورت صریح لحاظ گردد [6].
مطالعات اخیر نشان دادهاند که اینفلوئنسرهای کلیدی در یک بازه زمانی خاص ممکن است در تحلیلهای ایستا کماهمیت به نظر برسند و نادیده گرفتن بعد زمانی میتواند به شناسایی نادرست افراد تأثیرگذار منجر شود [15]. در همین راستا، نسخههای زمانی Influence Maximization توسعه یافتهاند که زمانبندی فعالسازی کاربران و پایداری نفوذ را در نظر میگیرند و در مرورهای جدید بهعنوان یک مسیر پژوهشی فعال معرفی شدهاند [36].
روشهای چندلایه و چندوجهی (Multilayer / Multiplex Methods)
در بسیاری از سناریوهای واقعی، کاربران از طریق چند نوع رابطه (مانند follow، like و comment) یا در چند پلتفرم اجتماعی بهصورت همزمان با یکدیگر تعامل دارند. روشهای چندلایه با هدف مدلسازی این واقعیت توسعه یافتهاند و هر نوع رابطه یا پلتفرم را بهعنوان یک لایه مجزا در نظر میگیرند [7].
مرورهای نظری و تجربی جدید نشان میدهند که شناسایی افراد تأثیرگذار در شبکههای چندلایه میتواند نتایج متفاوت و دقیقتری نسبت به مدلهای تکلایه ارائه دهد، زیرا نفوذ کاربران ممکن است در لایههای مختلف توزیع ناهمگنی داشته باشد [32]. با این حال، پیچیدگی دادهای و افزایش چشمگیر هزینه محاسباتی، از چالشهای اصلی این رویکرد محسوب میشود و همچنان مانعی برای کاربرد گسترده آن در مقیاسهای بزرگ است [20].
تأثیرگذاری رقابتی و تقابلی (Competitive and Adversarial Influence)
در بسیاری از کاربردهای عملی، فرآیند نفوذ اجتماعی بهصورت رقابتی رخ میدهد؛ بهگونهای که چند پیام، برند یا دیدگاه بهطور همزمان برای جلب توجه کاربران با یکدیگر رقابت میکنند. در چارچوبهای رقابتی، تأثیرگذاری یک کاربر نه بهصورت مطلق، بلکه نسبت به سایر عوامل فعال در شبکه تعریف میشود [23].
مطالعات مروری جدید نشان میدهند که مدلهای Competitive Influence Maximization و Adversarial Influence بهویژه در تحلیل کمپینهای تبلیغاتی، رقابت سیاسی و مقابله با اطلاعات نادرست اهمیت یافتهاند. این رویکردها معمولاً با چالشهایی مانند افزایش پیچیدگی مدل، وابستگی به فرضیات رقابتی و دشواری ارزیابی عملکرد مواجهاند [33]، [37].
چارچوبهای چندهدفه، عادلانه و مقاوم
یکی دیگر از جریانهای نوظهور، حرکت از مسئلههای تکهدفه به سمت چارچوبهای چندهدفه است. در این رویکردها، بیشینهسازی نفوذ همزمان با اهدافی نظیر عدالت (fairness)، هزینه، پوشش جامعهای یا پایداری نفوذ دنبال میشود [16]، [17].
علاوه بر این، برخی پژوهشهای جدید مفهوم تأثیرگذاری مقاوم و پایدار را مطرح کردهاند که در آن، افراد تأثیرگذار بهگونهای انتخاب میشوند که نفوذ آنها در برابر نویز دادهها، تغییرات ساختاری شبکه یا عدم قطعیتهای زمانی حفظ شود. مرورهای اخیر این دیدگاهها را بهعنوان مکملی ضروری برای روشهای کلاسیک معرفی میکنند، بهویژه در کاربردهای حساس مانند سیاستگذاری اجتماعی و مدیریت بحران [24]، [38].
مجموعه روشهای نوظهور نشان میدهد که حوزه شناسایی افراد تأثیرگذار به سمت مدلهایی حرکت میکند که پویایی زمانی، چندلایه بودن روابط، رقابت پیامها و قیود چندهدفه را بهصورت همزمان در نظر میگیرند. اگرچه این رویکردها از نظر نظری بسیار غنی هستند، اما مرورهای جدید تأکید میکنند که چالشهای دادهای، محاسباتی و ارزیابی همچنان مانع بلوغ کامل آنها شده است [20]، [22]. این شکافها فرصتهای پژوهشی قابلتوجهی را برای توسعه روشهای کاراتر، مقیاسپذیرتر و قابلتفسیرتر فراهم میسازند.
یکی از چالشهای اساسی در ادبیات شناسایی افراد تأثیرگذار در شبکههای اجتماعی، ارزیابی و مقایسه منصفانه روشها است. با توجه به تنوع تعاریف تأثیرگذاری، مدلهای شبکه و اهداف کاربردی، هیچ معیار ارزیابی واحدی وجود ندارد که بتواند عملکرد تمامی روشها را بهصورت جامع و یکنواخت بسنجد. از این رو، مطالعات مروری تأکید میکنند که معیارهای ارزیابی همواره باید در ارتباط مستقیم با تعریف تأثیرگذاری و سناریوی کاربردی مورد نظر انتخاب شوند [8]، [20]، [22].
در این بخش، مهمترین معیارها و چارچوبهای ارزیابی که در مقالات ژورنالی سطح بالا برای مقایسه روشهای شناسایی افراد تأثیرگذار بهکار رفتهاند، مرور و تحلیل میشوند.
1. معیارهای مبتنی بر گستره انتشار (Spread-based Metrics)
رایجترین معیار ارزیابی در روشهای انتشارمحور و Influence Maximization، گستره انتشار اطلاعات (Spread) است. در این معیار، عملکرد یک روش بر اساس تعداد کاربران فعالشده در پایان فرآیند انتشار، تحت یک مدل انتشار مشخص (مانند IC یا LT)، سنجیده میشود [9]، [22].
این معیار مستقیماً با تعریف «تأثیرگذاری مبتنی بر انتشار» همراستاست و به همین دلیل، بهطور گسترده در مطالعات مربوط به بازاریابی ویروسی، شایعات و انتشار اخبار استفاده میشود [10]. با این حال، وابستگی شدید این معیار به فرضیات مدل انتشار و نیاز به شبیهسازیهای تکراری از محدودیتهای اصلی آن محسوب میشود.
2. معیارهای مبتنی بر رتبهبندی و همبستگی
در روشهایی که خروجی آنها بهصورت رتبهبندی کاربران است (مانند روشهای ساختاری، رفتارآگاه و بسیاری از روشهای یادگیریمحور)، معیارهای رتبهبندی مورد استفاده قرار میگیرند. معیارهایی مانند Kendall’s Tau، Spearman’s Rank Correlation یا Precision@k برای سنجش میزان همخوانی رتبهبندی پیشنهادی یک روش با یک مرجع (baseline یا رتبهبندی بهینه) بهکار میروند [20].
این معیارها امکان مقایسه روشها را بدون نیاز به شبیهسازی کامل انتشار فراهم میکنند، اما انتخاب مرجع مناسب برای مقایسه، خود چالشی مهم در این رویکرد به شمار میرود.
3. معیارهای کارایی محاسباتی و مقیاسپذیری
با توجه به اندازه بسیار بزرگ شبکههای اجتماعی واقعی، کارایی محاسباتی یکی از معیارهای کلیدی ارزیابی روشها محسوب میشود. زمان اجرا، پیچیدگی محاسباتی، و قابلیت مقیاسپذیری در شبکههای بزرگ از جمله شاخصهایی هستند که در بسیاری از مطالعات مروری مورد توجه قرار گرفتهاند [21]، [22].
این معیارها بهویژه برای مقایسه روشهای حریصانه Influence Maximization با روشهای تقریبی، ابتکاری یا یادگیریمحور اهمیت دارند و نقش تعیینکنندهای در انتخاب روش مناسب برای کاربردهای عملی ایفا میکنند.
4. پایداری و حساسیت به تغییرات شبکه
برخی مطالعات جدید، پایداری نتایج (Stability) را بهعنوان یک معیار ارزیابی مهم مطرح کردهاند. در این چارچوب، بررسی میشود که آیا رتبهبندی یا مجموعه افراد تأثیرگذار شناساییشده، در برابر تغییرات جزئی ساختار شبکه، نویز دادهها یا تغییر بازه زمانی پایدار باقی میماند یا خیر [20]، [24].
این معیار بهویژه در کاربردهای حساس مانند سیاستگذاری اجتماعی یا مدیریت بحران اهمیت مییابد، زیرا ناپایداری نتایج میتواند به تصمیمگیریهای نادرست منجر شود.
5. معیارهای وابسته به زمینه و کاربرد
در برخی کاربردهای خاص، معیارهای ارزیابی بهصورت زمینهمحور تعریف میشوند. برای مثال، در تحلیل اینفلوئنسرهای محتوایی، معیارهایی مانند میزان تعامل کاربران، نرخ مشارکت یا واکنش به محتوا مورد استفاده قرار میگیرد [13]. در چارچوبهای عادلانه یا چندهدفه نیز معیارهایی مانند عدالت توزیع نفوذ یا پوشش گروههای اجتماعی به معیارهای کلاسیک افزوده میشوند [16]، [17].
مرورهای جدید تأکید میکنند که استفاده از این معیارهای زمینهمحور میتواند تصویر کاملتری از عملکرد روشها در سناریوهای واقعی ارائه دهد [20].
با وجود تنوع معیارهای ارزیابی بهکاررفته در ادبیات، مقایسهی منصفانه و دقیق روشهای شناسایی افراد تأثیرگذار همچنان با چالشهای قابلتوجهی همراه است. تفاوت در مجموعهدادههای مورد استفاده، مدلهای انتشار مفروض، بازههای زمانی تحلیل و تنظیمات آزمایشی، موجب میشود که مقایسهی مستقیم نتایج گزارششده در مطالعات مختلف بهسادگی امکانپذیر نباشد [8]، [22]. از این رو، مقالات مروری تأکید میکنند که نتایج ارزیابی باید همواره در چارچوب فرضیات، محدودیتها و شرایط آزمایشی هر مطالعه تفسیر شوند و از تعمیم بیضابطهی آنها به سناریوهای متفاوت پرهیز گردد.
مرور معیارهای ارزیابی نشان میدهد که سنجش عملکرد روشهای شناسایی افراد تأثیرگذار ماهیتی چندبعدی دارد و بهشدت به تعریف تأثیرگذاری و زمینهی کاربرد وابسته است. بهعنوان مثال، معیارهای مبتنی بر گسترهی انتشار برای ارزیابی روشهای انتشارمحور مناسبتر هستند، در حالی که روشهای مبتنی بر رتبهبندی، رفتارآگاه و یادگیریمحور نیازمند بهکارگیری معیارهای مکملی نظیر همبستگی رتبهها، کارایی محاسباتی و پایداری نتایج میباشند. بر این اساس، انتخاب یک چارچوب ارزیابی مناسب نقشی کلیدی در تحلیل دقیق و مقایسهی معنادار روشهای شناسایی افراد تأثیرگذار ایفا میکند و مبنایی ضروری برای بررسی کاربردهای عملی این روشها در بخش بعدی فراهم میسازد.
شناسایی افراد تأثیرگذار در شبکههای اجتماعی، صرفاً یک مسئلهی نظری در حوزهی شبکههای پیچیده نیست، بلکه کاربردهای گسترده و متنوعی در حوزههای اجتماعی، اقتصادی، سیاسی و فناورانه دارد. بسته به تعریف تأثیرگذاری و نوع شبکه اجتماعی مورد بررسی، روشهای شناسایی افراد تأثیرگذار میتوانند در سناریوهای کاربردی متفاوتی بهکار گرفته شوند. مرور ادبیات نشان میدهد که بسیاری از پژوهشها، انگیزه اصلی توسعه روشهای جدید را پاسخ به نیازهای عملی در این کاربردها عنوان کردهاند [8]، [20]. در ادامه، مهمترین حوزههای کاربردی شناسایی افراد تأثیرگذار در شبکههای اجتماعی مرور میشوند.
1. بازاریابی ویروسی و تبلیغات هدفمند
یکی از شناختهشدهترین و پرکاربردترین حوزههای استفاده از شناسایی افراد تأثیرگذار، بازاریابی ویروسی است. در این سناریو، هدف انتخاب کاربرانی است که بتوانند با انتشار یک پیام تبلیغاتی، بیشترین میزان دیدهشدن یا پذیرش محصول را در شبکه ایجاد کنند. مسئله Influence Maximization نخستینبار دقیقاً با انگیزه چنین کاربردی مطرح شد [9]. مطالعات نشان دادهاند که انتخاب هوشمندانه افراد تأثیرگذار میتواند هزینههای تبلیغات را کاهش داده و اثربخشی کمپینهای بازاریابی را بهطور معناداری افزایش دهد [10]، [21]. در این حوزه، روشهای انتشارمحور، رفتارآگاه و یادگیریمحور کاربرد گستردهای دارند.
2. انتشار و مقابله با شایعات و اطلاعات نادرست
شناسایی افراد تأثیرگذار نقش مهمی در تحلیل و کنترل انتشار شایعات، اخبار جعلی و اطلاعات نادرست ایفا میکند. در این کاربرد، افراد تأثیرگذار میتوانند هم بهعنوان منابع اصلی انتشار و هم بهعنوان گرههای کلیدی برای مداخله و مهار انتشار در نظر گرفته شوند [11]. مطالعات ژورنالی نشان میدهند که با شناسایی بهموقع کاربران تأثیرگذار، میتوان راهبردهای مؤثرتری برای کاهش سرعت یا گستره انتشار اطلاعات نادرست طراحی کرد. در این سناریوها، روشهای انتشارمحور، رقابتی و زمانی اهمیت ویژهای مییابند [22]، [23].
3. تحلیل افکار عمومی و پویاییهای اجتماعی
در حوزه علوم اجتماعی محاسباتی، شناسایی افراد تأثیرگذار بهعنوان ابزاری برای تحلیل شکلگیری و تغییر افکار عمومی بهکار میرود. کاربران تأثیرگذار میتوانند نقش رهبران فکری، تسهیلکنندگان بحث یا واسطههای انتقال دیدگاهها را ایفا کنند [11]. این کاربرد بهویژه در تحلیل جنبشهای اجتماعی، واکنش به رویدادهای بحرانی و مطالعه پویاییهای جمعی در شبکههای اجتماعی اهمیت دارد. در این زمینه، روشهای ساختاری، جامعهمحور و زمانی بهطور گسترده مورد استفاده قرار گرفتهاند [6]، [14].
4. سیاست، انتخابات و کمپینهای اجتماعی
در سالهای اخیر، شبکههای اجتماعی به یکی از مهمترین بسترهای ارتباطات سیاسی تبدیل شدهاند. شناسایی افراد تأثیرگذار در این فضا میتواند برای تحلیل و طراحی کمپینهای سیاسی، بررسی نفوذ گروههای خاص و مطالعه رقابت میان دیدگاههای سیاسی مورد استفاده قرار گیرد [16].
مطالعات مروری نشان میدهند که در این حوزه، علاوه بر بیشینهسازی نفوذ، مفاهیمی مانند عدالت، توازن نفوذ و جلوگیری از تمرکز بیشازحد قدرت اطلاعاتی اهمیت یافتهاند. از این رو، روشهای رقابتی، چندهدفه و عادلانه در این کاربرد نقش پررنگتری پیدا کردهاند [17].
5. سلامت عمومی و مدلسازی اپیدمیها
در حوزه سلامت عمومی، شناسایی افراد تأثیرگذار برای تحلیل و کنترل انتشار بیماریها، افزایش آگاهی عمومی و طراحی مداخلات پیشگیرانه کاربرد دارد. در این سناریوها، شبکه اجتماعی میتواند نمایانگر تماسهای اجتماعی یا تعاملات انسانی باشد و افراد تأثیرگذار نقش کلیدی در گسترش یا مهار بیماری ایفا کنند [5].
مدلهای انتشار الهامگرفته از اپیدمیولوژی (مانند SIR و SIS) و روشهای زمانی در این حوزه کاربرد گستردهای دارند و شناسایی افراد تأثیرگذار میتواند به بهینهسازی راهبردهای واکسیناسیون یا اطلاعرسانی کمک کند [6].
6. امنیت، پایداری شبکه و مدیریت بحران
در کاربردهای مرتبط با امنیت اطلاعات و مدیریت بحران، شناسایی افراد تأثیرگذار میتواند برای افزایش تابآوری شبکهها، شناسایی نقاط آسیبپذیر و طراحی راهبردهای کنترلی استفاده شود. در این سناریوها، کاربران تأثیرگذار ممکن است هم بهعنوان منابع بالقوه اختلال و هم بهعنوان ابزارهای کلیدی برای بازگرداندن پایداری شبکه در نظر گرفته شوند [1]. مطالعات جدید نشان میدهند که در چنین کاربردهایی، مفاهیمی مانند پایداری نفوذ، حساسیت به تغییرات شبکه و تحلیل چندلایه اهمیت ویژهای دارند و روشهای مقاوم و چندلایه میتوانند نقش مؤثری ایفا کنند [7]، [24].
مرور کاربردهای مختلف نشان میدهد که شناسایی افراد تأثیرگذار، یک مسئلهی ذاتاً میانرشتهای است که بسته به زمینه کاربرد، نیازمند تعاریف، روشها و معیارهای ارزیابی متفاوتی است. از بازاریابی و سیاست گرفته تا سلامت و امنیت، انتخاب رویکرد مناسب برای شناسایی افراد تأثیرگذار تأثیر مستقیمی بر اثربخشی تصمیمگیریها دارد. این تنوع کاربردی، اهمیت توسعه چارچوبهای انعطافپذیر و واقعگرایانه را برجسته میسازد و ضرورت تحلیل انتقادی روشها را بیش از پیش آشکار میکند.
شناسایی افراد تأثیرگذار در شبکههای اجتماعی یکی از مسائل کلیدی در حوزهی شبکههای پیچیده و تحلیل اجتماعی محاسباتی است که بهدلیل تنوع ساختار شبکهها، پویایی تعاملات و چندبعدی بودن مفهوم نفوذ اجتماعی، با چالشهای مفهومی و روششناختی متعددی همراه است. این مطالعه با رویکردی مروری و تحلیلی، تلاش کرد تصویری منسجم از ادبیات موجود ارائه دهد و ارتباط میان مدلسازی شبکههای اجتماعی، تعاریف مختلف تأثیرگذاری و روشهای شناسایی متناظر با آنها را بهصورت نظاممند تبیین کند.
در این راستا، ابتدا نشان داده شد که شبکههای اجتماعی را میتوان در قالب چارچوبهای متفاوتی نظیر شبکههای رابطهای، تعاملی، انتشارمحور، زمانی و چندلایه مدلسازی کرد که هر یک جنبهای خاص از رفتار اجتماعی کاربران را برجسته میسازند. این تنوع مدلسازی بیانگر آن است که انتخاب نوع شبکه اجتماعی، نقشی تعیینکننده در تحلیل نفوذ و شناسایی افراد تأثیرگذار ایفا میکند.
در ادامه، مرور تعاریف مختلف تأثیرگذاری نشان داد که این مفهوم را نمیتوان به یک تعریف یگانه یا یک شاخص ثابت فروکاست. تأثیرگذاری میتواند از منظر انتشار اطلاعات، جایگاه ساختاری، رفتار و محتوا، پویایی زمانی، نقش جامعهای و نیز دیدگاههای نوظهور مانند رقابت، میانپلتفرمی بودن و پایداری نفوذ تفسیر شود. این تنوع مفهومی مستقیماً بر انتخاب روشها و معیارهای شناسایی افراد تأثیرگذار اثر میگذارد و ضرورت شفافسازی چارچوب مفهومی پیش از هر تحلیل الگوریتمی را برجسته میسازد.
همچنین، طبقهبندی و تحلیل خانوادههای اصلی روشهای شناسایی افراد تأثیرگذار نشان داد که هیچ رویکردی بهتنهایی پاسخگوی تمامی سناریوهای تحلیلی نیست. روشهای ساختاری، انتشارمحور و Influence Maximization، رویکردهای رفتارآگاه، مدلهای یادگیری ماشین و یادگیری عمیق، و نیز چارچوبهای نوظهور زمانی، چندلایه و رقابتی، هر یک دارای مزایا و محدودیتهای خاص خود هستند و کارایی آنها بهشدت به نوع شبکه، تعریف تأثیرگذاری و هدف کاربردی وابسته است.
از منظر آینده پژوهی، ادبیات معاصر نشان میدهد که مسیر توسعه این حوزه به سمت روشهایی در حال حرکت است که بتوانند بهصورت همزمان پویایی زمانی، چندلایه بودن روابط و ناهمگنی رفتاری کاربران را مدلسازی کنند. افزون بر این، نیاز به چارچوبهای ارزیابی استاندارد و قابلمقایسه، توجه به مفاهیمی نظیر عدالت، پایداری و مقاومت نفوذ، و افزایش تفسیرپذیری مدلهای پیچیده یادگیری عمیق از جمله چالشها و فرصتهای پژوهشی مهم پیشرو محسوب میشوند.
در مجموع، این مطالعه نشان میدهد که شناسایی افراد تأثیرگذار در شبکههای اجتماعی مسئلهای پویا و چندبعدی است که نیازمند تلفیق دیدگاههای نظری، روشهای محاسباتی و ملاحظات کاربردی است. چارچوب ارائهشده میتواند مبنایی منسجم برای تحلیل، مقایسه و توسعه روشهای آینده در این حوزه فراهم آورد و به درک عمیقتر نفوذ اجتماعی در شبکههای پیچیده کمک کند.
[1] M. E. J. Newman, Networks: An Introduction. Oxford, UK: Oxford University Press, 2010.
[2] A.-L. Barabási, Network Science. Cambridge, UK: Cambridge University Press, 2016.
[3] A. Bonato, “A survey of properties and models of online social networks,” Internet Mathematics, vol. 6, no. 3, pp. 285–321, 2009.
[4] D. Easley and J. Kleinberg, Networks, Crowds, and Markets: Reasoning About a Highly Connected World. Cambridge, UK: Cambridge University Press, 2010.
[5] M. Kitsak, L. K. Gallos, S. Havlin, F. Liljeros, L. Muchnik, H. E. Stanley, and H. A. Makse, “Identification of influential spreaders in complex networks,” Nature Physics, vol. 6, no. 11, pp. 888–893, 2010.
[6] P. Holme and J. Saramäki, “Temporal networks,” Physics Reports, vol. 519, no. 3, pp. 97–125, 2012.
[7] S. Boccaletti, G. Bianconi, R. Criado, C. I. Del Genio, J. Gómez-Gardeñes, M. Romance, I. Sendiña-Nadal, Z. Wang, and M. Zanin, “The structure and dynamics of multilayer networks,” Physics Reports, vol. 544, no. 1, pp. 1–122, 2014.
[8] S. F. Seyfosadat and R. Ravanmehr, “Systematic literature review on identifying influencers in social networks,” Artificial Intelligence Review, vol. 56, pp. 567–660, 2023.
[9] D. Kempe, J. Kleinberg, and É. Tardos, “Maximizing the spread of influence through a social network,” in Proc. 9th ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining (KDD), 2003, pp. 137–146.
[10] J. Leskovec, A. Krause, C. Guestrin, C. Faloutsos, J. VanBriesen, and N. Glance, “Cost-effective outbreak detection in networks,” in Proc. 13th ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining (KDD), 2007, pp. 420–429.
[11] D. J. Watts and P. S. Dodds, “Influentials, networks, and public opinion formation,” Journal of Consumer Research, vol. 34, no. 4, pp. 441–458, 2007.
[12] L. C. Freeman, “Centrality in social networks: Conceptual clarification,” Social Networks, vol. 1, no. 3, pp. 215–239, 1979.
[13] R. Rashidi, A. Hasheminezhad, and M. R. Meybodi, “Prediction of influential nodes in social networks based on users’ social characteristics and reaction information,” Scientific Reports, vol. 14, 2024.
[14] S. Fortunato, “Community detection in graphs,” Physics Reports, vol. 486, no. 3–5, pp. 75–174, 2010.
[15] X. Li, Z. Wang, and J. Zhang, “Identifying influential nodes in temporal networks,” IEEE Transactions on Network Science and Engineering, vol. 9, no. 2, pp. 1011–1023, 2022.
[16] A. Tsang, B. Wilder, E. Rice, M. Tambe, and Y. Zick, “Group fairness in influence maximization,” in Proc. 28th Int. Joint Conf. Artificial Intelligence (IJCAI), 2019, pp. 5997–6003.
[17] K. Li, L. Zhang, and H. Huang, “Social influence analysis: Models, methods, and evaluation,” Engineering, vol. 4, no. 1, pp. 40–46, 2018.
[18] J. Kou, L. Zhang, and Y. Liu, “Identifying influential nodes in social networks via graph multi-head feature aggregation,” Neural Networks, vol. 163, pp. 240–253, 2023.
[19] L. Chen, S. Wang, and X. Li, “Identifying influential nodes via Transformer in complex networks,” Information Processing & Management, vol. 61, no. 2, 2024.
[20] Y. Ou, Q. Guo, and J. Liu, “Identifying spreading influence nodes for social networks,” Frontiers of Engineering Management, vol. 9, pp. 520–549, 2022.
[21] A. Zareie and R. Sakellariou, “Influence maximization in social networks: A survey of behaviour-aware methods,” Social Network Analysis and Mining, 2023.
[22] Y. Ye, Y. Chen, and W. Han, “Influence maximization in social networks: Theories, methods and challenges,” Array, vol. 14, 2022.
[23] S. Solanki, M. Kumar, and R. Kumar, “A survey on information diffusion and competitive influence maximization in social networks,” Social Network Analysis and Mining, 2025.
[24] A. Saxena, “Centrality measures in complex networks: A survey,” arXiv preprint arXiv:2011.07190, 2020.
[25] S. Solanki, M. Kumar, and R. Kumar, “A survey on information diffusion and competitive influence maximization in social networks,” Social Network Analysis and Mining, vol. 15, 2025.
[26] B. Perozzi, R. Al-Rfou, and S. Skiena, “DeepWalk: Online learning of social representations,” Proc. KDD, 2014.
[27] W. Hamilton, Z. Ying, and J. Leskovec, “Inductive representation learning on large graphs,” Advances in Neural Information Processing Systems (NeurIPS), 2017.
[28] Y. Rong et al., “Self-supervised graph transformer on large-scale social networks,” IEEE Transactions on Neural Networks and Learning Systems, 2024.
[29] M. Jaouadi and L. Ben Romdhane, “A survey on influence maximization models,” Expert Systems with Applications, vol. 248, p. 123429, Aug. 2024.
[30] A. D. Tyagi and S. Garg, “A frame work to predict the influencing nodes in social networking platform using graph neural network model,” Social Network Analysis and Mining, vol. 16, art. no. 29, Jan. 2026.
[31] J. Tang, J. Qu, S. Song, Z. Zhao, and Q. Du, “GCNT: Identify influential seed set effectively in social networks by integrating graph convolutional networks with graph transformers,” Journal of King Saud University – Computer and Information Sciences, 2024.
[32] O. Achour and L. Ben Romdhane, “A theoretical review on multiplex influence maximization models: Theories, methods, challenges, and future directions,” Expert Systems with Applications, vol. 266, p. 125990, 2025.
[33] C. Fan, Z. Wang, J. Zhang, J. Zhao, and X. Meng, “Meta-heuristic algorithms for influence maximization: a survey,” Evolving Systems, vol. 16, 2025
[34] D. Chen, L. Lü, M. Shang, Y. Zhang, and T. Zhou, “Identifying influential nodes in complex networks,” Physica A, vol. 391, no. 4, pp. 1777–1787, 2012.
[35] Z. Wang, J. Zhang, and X. Li, “Reinforcement learning-based influence maximization in dynamic social networks,” IEEE Transactions on Network Science and Engineering, 2023.
[36] M. Farajtabar et al., “Shaping social activity by incentivizing users,” NeurIPS, 2014.
[37] S. Bharathi, D. Kempe, and M. Salek, “Competitive influence maximization in social networks,” Internet and Network Economics, 2007.
[38] A. Saxena, “Robust centrality measures and stable influence in complex networks,” Complex Networks, 2024.
