چکیده
تحت محدودیت بودجه‌ی تبلیغاتی، بیشینه‌سازی انتخاب محصول در یک شبکه‌ی اجتماعی مشتری، یک مورد خاص و مهم از مساله‌ی عمومیِ بیشنه‌سازی تاثیر می‌باشد. تکنیک‌های بهینه‌سازیِ خاصی که همبستگیها و تاثیرات جامعه‌‌ی محلی را در نظر می‌گیرند، می‌توانند عملکرد بهتری نسبت تکنیک‌های شبکه‌بنیان داشته باشند که باعث تعاملاتی می‌شوند که منبعث از بازاریابیِ محصولات متعدد برای یک گروه مشتری می‌باشد. با اینحال، این انجامپذیر است که از روشهای بهینه‌سازیِ دقیقی استفاده کنیم که از عملیات ماتریس پرهزینه روی شبکه‌های بزرگ، بدون تکنیک‌های محاسباتیِ موازی استفاده کند. در این فصل، یک رویکرد بیشینه‌سازی تاثیرِ سلسله‌مراتبی را برای بازاریابی محصول ارائه می‌دهیم که یک سلسله‌مراتب تجرید را برای مقیاس‌بندی تکنیک‌های بهینه‌سازی برای شبکه‌های بزرگ، می‌سازد. یک راه‌حل دقیق روی پارتیشن‌های کوچکترِ شبکه اِعمال می‌شود و مجموعه‌ای کاندید از گره‌های تاثیرگذار، به سمت بالا و به بازنمود مجردِ شبکه‌ی اریجنال منتشر می‌شود که اطلاعات مسافت را حفظ می‌کند. این فرایند تجرید، راه‌حل و انتشار، تا زمانی تکرار می‌شود که شبکه‌ی مجردِ حاصله، آنقدر کوچک شود که بتواند دقیقاً حل گردد.
مقدمه
در بازار امروز، تبلیغ صرفاً موضوعی که مشتریان را به خرید محصول متقاعد کند نیست، بلکه متقاعد کردن شبکه‌ی اجتماعی آنها به انتخاب یک سبک زندگی، مدنظر است. اکنون کاملاَ مشخص شده است که پیوندهای اجتماعی بین کاربران نقش مهمی در شکل‌دهی به رفتار آنها ایفا می‌کند. یکی از راه‌های تحقق این امر، از طریق تاثیر اجتماعی است که طیِ آن، یک رفتار یا ایده می‌تواند بین دوستان فراگیر شود. با مدنظر قرار دادن فاکتورهایی نظیر نوع‌دوستی و متغیرهای مداخله‌گرِ مشاهده‌نشده، می‌توان به بررسی دقیق و آماریِ همبستگی این رفتارها در شبکه‌ی اجتماعی پرداخت. هدف از راهبردهای بازاریابی ویروسی، ارتقای همبستگی این رفتارها جهت خلق زنجیره‌ای از اطلاعات است که تعداد زیادی از مشتریان در آن، از مجموعه‌ای بسیار کوچکتر از افرادِ آگاه تقلید می‌کنند، که قبل از سایرین توسط طرح‌های بازاریابی اقناع شده‌اند.
بازاریابی با بودجه‌ی محدود را می‌توان نسخه‌ای تخصصی از مساله‌ی بیشینه‌سازیِ تاثیر تلقی کرد که هدف از آن، تبلیغ گره‌های دانه‌ای جهت اصلاح دیدگاه‌های درون شبکه –بر مبنای مدل انتشار تاثیر- می‌باشد. مدلهای انتشار پرکاربرد نظیر مدل آستانه‌ی خطی (LTM) و مدل مستقل آبشاری (ICM) فرض را بر این می‌گذارند که احتمال پذیرش یک گره، مشروط به دیدگاه‌های همسایگیِ شبکه‌ی محلی می‌باشد. قسمت اعظم وظیفه‌ی پیشینِ بیشینه‌سازی تاثیر، از این دو مدل تفاکتور استفاده می‌کند. از زمان مدل LT و مدل ICیِ اریجنال، سایر مدلهای تعمیم‌یافته، برای حیطه‌های مختلف و مصارف تخصصی مطرح شده‌اند. مثلاً مدل آبشاری کاهنده، مدلهایی را که در جامعه‌شناسی و انجمن‌های اقتصادی بکار می‌رود را تعمیم می‌دهد، چراکه در این جوامع، یک رفتار بصورت آبشاری و بر مبنای یک قاعده‌ی احتمالاتی پراکنده می‌شود و با مجموعه‌ای از گره‌هایی که آن رفتار را می‌پذیرند، شروع می‌شود. در مقابلِ مدل ارجینال IC، در مدل آبشاری کاهنده، احتمال انتشار تاثیر از یک گره فعال، ثابت نیست. همینطور، نسخه‌های تعمیم‌یافته‌ی مدل آستانه‌ی خطی نیز معرفی شده‌اند. سادگیِ این مدلهای انتشار، تحلیل نظری را تسهیل می‌کند اما مدلی واقع‌گرایانه از ملاحظات بازاریابی به دست می‌دهد: نظیر تفاکتور بین تبلیغاتِ محصولات متعدد و اثرات عضویت در جامعه بر انتخاب محصول.
پژوهش های مرتبط
بیشینه‌سازیِ تاثیر را می‌توان اینگونه توصیف کرد: تعیین مجموعه‌ای کوچک از گره‌ها که قادر به راه‌اندازی آبشارهای بزرگی از رفتار هستند که در تمام شبکه پخش می‌شود. این مجموعه از گره‌ها را می‌توان با استفاده از رویکردهای احتمالاتی (مثلاً رفرنس‌های 2و 17) یا تکنیک‌های مبتنی بر بهینه‌سازی کشف نمود. رفرنس‌های 12 و 21، با بهینه‌سازی تاثیر، بصورت یک مساله‌ی بهینه‌سازی محدب رفتار می‌کنند؛ این مساله برای تاثیرگذاری بر جوامع کوچک انجامپذیر است اما برای مسائل بزرگتر خیر/ به دلیل ضوابط محاسباتیِ ماتریس، این رویکردها زمانی ناکام می‌مانند که تعداد عامل‌های سیستم افزایش یابند. الگوریتم HIM با استفاده از یک رویکرد سلسله‌مراتبی جهت تبدیل سیستم به ماتریس‌های کوچکتر، بر این ناکارآمدی غلبه می‌کند.
روش
رویکرد سلسله‌مراتبی پیشنهادیِ ما، به‌قرار زیر است:
1. یک شبکه‌ی محلی برای هر گره تهیه کنید که از همسایگان و همسایگانِ همسایگان تشکیل شده باشد؛
2. با تخصیص گرهِ مجازی به هر گرهِ مرزی، تاثیر شبکه‌ی بیرونی را مدلسازی نمایید تا فعالیت را بیرونِ پارتیشن محلی، تلخیص کنید.
3. بر مبنای مدل و کانکشن‌های شبکه، پارامترهای تعامل را برای گرهِ مجازی روزآمد سازید؛
4. با استفاده از بهینه‌سازیِ محدب جهت بیشینه‌سازیِ انتخاب همیشگیِ محصول، مجموعه‌ای کاندید از گره‌های تاثیرگذار برای هر شبکه‌ی محلی تهیه کنید؛
5. مجموعه‌ی کاندید را به سطح بالاتری از تلخیص انتشار دهید و گره‌های مجرد را بر مبنای کوتاه‌ترین مسیرهایشان در شبکه‌ی قبلی، پیوند زنید.
6. فرایند تلخیص را تا زمانی تکرار کنید که شبکه‌ی حاصله به اندازه‌ی کافی برای بهینه‌سازی بصورت یک پارتیشنِ واحد، کوچک باشد؛ سپس مجموعه‌ی حاصله از گره‌های کاندید، برای تبلیغ در نظر گرفته می‌شود. تصویر 1 فلوچارت این الگوریتم را نشان می‌دهد.
مدل بازار
جهت بررسی کارایی روش بیشینه‌سازیِ تاثیر سلسله‌مراتب(HIM) در بازاریابی تجاری، ما از مدل سیستم چندعامله که در رفرنس 21 آمده است، استفاده کرده‌ایم تا یک سیستم اجتماعی از مشتریان بالقوه را شبیه‌سازی کنیم. ما تعریف برخی پارامترهای مدل را اندکی تغییر دادیم تا به یک مدل مفهوم‌تر با قابلیت‌های تعمیم‌یافته دست یابیم.
ارزیابی
ستاپ آزمایشی
ما مجموعه‌ای از آزمایشات شبیه‌سازی را جهت ارزیابی اثربخشیِ روش انتخابیِ گره پیشنهادی‌مان در یک سیستم اجتماعیِ شبیه‌ساخته با یک شبکه‌ی استاتیک، ارزیابی کردیم. پارامترهای مدل تعاملی برای تمام اجراها، در جدول 2a ملاحظه می‌کنید. تمام نتایج از متوسطِ حدود 100 بار اجرا بدست آمده‌اند که شبیه‌سازی‌های مختلفی را روی هر ده ساختار شبکه نشان می‌دهند.
نتیجه و کارهای آتی
در این فصل، به مساله‌ی بیشینه‌سازی تاثیر در شبکه‌های اجتماعی، به‌منظورِ تبلیغات پرداختیم. در حیطه‌ی تبلیغات، هدف ما شناسایی گره‌های تاثیرگذار در یک شبکه‌ی اجتماعی بعنوان اهداف تبلیغگر بر مبنای ساختار شبکه، تعاملات میان عاملها در شبکه و بودجه‌ی محدود تبلیغات می‌باشد. ما مدلسازی عامل‌بنیان را اختیار کردیم تا چنان سیستم اجتماعی را مدلسازی کنیم، چراکه ابزاری توانمند جهت بررسی پدیده‌هایی است که بررسی آنها درون آزمایشگاه دشوار است. همچنین تلاش کردیم بابکارگیری فاکتورهایی نظیر همبستگی محصول و عضویت گروهی از عاملها، بازار، تعاملات و انتشارِ تاثیر و انتخاب کالا را واقع‌گرایانه‌تر مدلسازی نماییم.
در اینجا یک رویکرد عمومی سلسله‌مراتبی را برای بکارگیری تکنیک‌های بهینه‌سازی جهت بیشینه‌سازی تاثیر ارائه می‌دهیم. مزیت روش ما بر تکنیک‌های انتخاب دانه این است این روش می‌تواند همبستگیها و تاثیرات جامعه را بر نرخ انتخاب محصول مدنظر قرار دهد. روش ما به انتخاب بهینه‌ی گره –با هزینه‌های روتین بسیار پایین‌تر-، نزدیک می‌شود. اما تحلیل پیشینی از توزیع درجه‌ی شبکه از شبکه، جهت تشخیص پیش‌پردازش صحیح و فرایند تجرید، ضروری است. الگوریتم HIM را می‌توان جهت بهبود مقیاس‌پذیریِ بیشینه‌سازی تاثیر روی شبکه‌ها با یک توزیع درجه‌ی شِبه‌یونیفورم، بکار برد. در شبکه‌هایی که دارای مرکزگراییِ بالایی هستند، بکارگیری تکنیک بهینه‌سازی‌مان برای یک نسخه‌ی مجرد از شبکه که از گره‌های درجه‌بالا تشکیل شده است، توصیه می‌شود. در این فصل، ما به معرفی یک رویکرد جهت پارتیشن‌بندیِ شبکه به بخش‌های همپوشان و اجرای بیشینه‌سازیِ تاثیر بر پارتیشن‌ها پرداختیم. یک راه دیگر این است که تقسیمات فعلی شبکه را که با الگوریتم‌های انتخاب جامعه محاسبه شده‌اند، برای نخستین سطحِ سلسله‌مراتب، بیشتر کنیم. بعلاوه، کار با شبکه‌های پویایی که در آن عاملها می‌توانند وارد شبکه شوند یا از آن خارج شوند، برای مصارف عملی که در آن مجموعه‌ی مشتریان مدام در حال تغییر است، می‌تواند مفید واقع شود.
یک ضمیمه‌ی بالقوه مهم برای این اثر می‌تواند تعمیم شبیه‌سازی بازار، جهت مدلسازی صریح از اثرات نامساعدِ بین تبلیغگرانِ رقابتجو بعنوان رقابت Stackelberg باشد، که در آن یک تبلیغگر یک آگهی قرار می‌دهد و رقبای بعدی، از وجود آن آگهی آگاهند. در این فصل، فرض را بر این گذاشتیم که احتمال تعامل و تاثیر بین دو عامل، کم است؛ در مقایسه با سایز شبکه که باعث می‌شود عاملها در آن به مدت قابل قبولی به یک تصمیم بچسبند. اما اگر شبکه کوچکتر باشد یا احتمال تعامل افزایش یابد، نوسانات زیادی در بردار تمایل عاملها بوجود می‌آید. بکارگیری یک پارامتر در مدلی که عاملها را مجبور می‌کند تصمیماتشان را به مدت کمی حفظ کنند، فارغ از تعاملات بیرونی، این مساله را اصلاح خواهد کرد. یک چارچوب عمومی‌تر برای مدلسازی و شبیه‌سازی انتخاب محصول توسط مشتری درون شبکه‌های اجتماعی، از اهمیت زیادی برخوردار است؛ مدل ما گامهای اولیه‌ای در راستای این هدف بلندپروازانه برداشته است.
این مقاله در سال 2015 در نشریه اسپرینگر و در مجله یادداشت های سخنرانی در شبکه های اجتماعی، توسط دانشگاه فلوریدا مرکزی منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله تاثیر مقیاس بندی با تجرید شبکه در سایت ای ترجمه مراجعه نمایید.
