INFORMATION PROPAGATION PREDICTION ON BIBLIOGRAPHIC NETWORK: A NEW APPROACH WITH AMALGAMATION OF EXTERNAL AND INTERNAL ELEMENTS

Ho Thi Kim Thoa * , Nguyen Van Khang and Le Phuoc Nam Ha

* Corresponding author: (hothikimthoa@dhsphue.edu.vn)

Article Sidebar

Full Text: PDF

Received: Jun 29, 2020
Revised: Jul 27, 2022
Accepted: Jan 8, 2022
Published: Apr 20, 2022
Title: INFORMATION PROPAGATION PREDICTION ON BIBLIOGRAPHIC NETWORK: A NEW APPROACH WITH AMALGAMATION OF EXTERNAL AND INTERNAL ELEMENTS
Views
14
Downloads
5
How to Cite
Thoa, H. T. K., Khang, N. V., & Hà, L. P. N. (2022). INFORMATION PROPAGATION PREDICTION ON BIBLIOGRAPHIC NETWORK: A NEW APPROACH WITH AMALGAMATION OF EXTERNAL AND INTERNAL ELEMENTS. Journal of Science and Education, 63(03). Retrieved from https://tckhgd.dhsphue.edu.vn/index.php/jse/article/view/352
Issue
Vol. 63 No. 03 (2022): Journal of Science: Natural Science Issue
Section
Journal of Science and Education: Natural Science - Technology

Abstract

In this research, we propose a novel approach to solve the topic’s propagation prediction problem on a bibliographic network with a combination of external and internal factors. We use machine learning to predict the spread of a topic with a combination of different features. Firstly, we propose a new method to calculate activation probability from an active node to an inactive node based on both meta-path and textual information. This activation probability is considered as an external factor. In addition, we also explore the author's preference for the topic, which is considered as an intrinsic factor of the author that can lead to the "infection" of the topic. Finally, we amalgamate the activation probability feature and the author’s preference feature in the topic’s spreading prediction. Experiments were conducted on dissimilar topics of the bibliographic network datasets and demonstrated satisfactory results.
Keywords: Social Network, Social NetworkMulti-Relation Network

Tóm tắt

Trong nghiên cứu này, chúng tôi đề xuất một cách tiếp cận mới để giải quyết bài toán dự đoán lan truyền chủ đề trên mạng học thuật với sự kết hợp của các yếu tố bên ngoài và nội tại. Chúng tôi sử dụng học máy để dự đoán sự lan truyền của một chủ đề với sự kết hợp của các đặc trưng khác nhau. Đầu tiên, chúng tôi đề xuất một phương pháp mới để tính xác suất kích hoạt, hay còn gọi là xác suất lây nhiễm từ một nút đã được “kích hoạt” sang một nút “chưa được kích hoạt” dựa vào thông tin meta-path và thông tin văn bản (text). Xác suất này được xem xét như một yếu tố tác động từ bên ngoài để một nút có thể bị kích hoạt. Bên cạnh đó, chúng tôi cũng khai thác sở thích của tác giả đối với chủ đề lan truyền, đây được xem xét như yếu tố nội tại của tác giả mà có thể dẫn đến việc “lây nhiễm” chủ đề. Cuối cùng, chúng tôi kết hợp giữa đặc trưng về xác suất lây nhiễm và sở thích của tác giả trong dự đoán lan truyền chủ đề. Các thực nghiệm được tiến hành trên các chủ đề khác nhau của các tập dữ liệu mạng học thuật và thu được các kết quả thỏa mãn.
Từ khóa: Mạng xã hội, mạng học thuật, mạng đa quan hệ

Article Details

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

References

Akula, R., Yousefi, N., Garibay, I. (2019). DeepFork: Supervised Prediction of Information Diffusion in GitHub p. 12.

Blei, D.M., Ng, A.Y., Jordan, M.I. (2002). Latent Dirichlet Allocation. In: Dietterich,
G., Becker, S., Ghahramani, Z. (eds.) Advances in Neural Information Processing Systems 14, pp. 601–608. MIT Press, http://papers.nips.cc/paper/
2070-latent-dirichlet-allocation.pdf.

Bui, Q.V., Sayadi, K., Amor, S.B., Bui, M. (2017). Combining Latent Dirichlet Allocation and K-Means for Documents Clustering: Effect of Probabilistic Based Distance Measures. In: Nguyen, N.T., Tojo, S., Nguyen, L.M., Trawiński, B. (eds.) Intelligent Information and Database Systems. pp. 248–257. Lecture Notes in Computer Science, Springer International Publishing, Cham.

Goldenberg, J., Libai, B., Muller, E. (2001). Talk of the Network: A Complex Systems
Look at the Underlying Process of Word-of-Mouth. Marketing Letters 12(3), 211–
223, https://doi.org/10.1023/A:1011122126881.

Granovetter, M. (1978). Threshold Models of Collective Behavior. American Journal of Sociology 83(6), 1420–1443, https://www.journals.uchicago.edu/doi/
abs/10.1086/226707.

Gui, H., Sun, Y., Han, J., Brova, G. (2014). Modeling Topic Diffusion in Multi-Relational Bibliographic Information Networks. In: CIKM.

Ho, T.K.T., Bui, Q.V., Bui, M. (2018). Homophily Independent Cascade Diffusion Model Based on Textual Information. In: Nguyen, N.T., Pimenidis, E., Khan, Z., Trawiński, B. (eds.) Computational Collective Intelligence. pp. 134–145. Lecture Notes in Computer Science, Springer International Publishing, Cham.

Kempe, D., Kleinberg, J., Tardos, V. (2005). Influential Nodes in a Diffusion Model for Social Networks. In: Caires, L., Italiano, G.F., Monteiro, L., Palamidessi, C., Yung,
(eds.) Automata, Languages and Programming. pp. 1127–1138. Lecture Notes
in Computer Science, Springer, Berlin, Heidelberg.

Kempe, D., Kleinberg, J.M., Tardos, V. (2003). Maximizing the spread of influence through a social network. In: KDD.

Macy, M.W. (1991). Chains of Cooperation: Threshold Effects in Collective Action. American Sociological Review 56(6), 730–747, https://www.jstor.org/stable/2096252.

Molaei, S., Babaei, S., Salehi, M., Jalili, M. (2018). Information Spread and Topic Diffusion in Heterogeneous Information Networks. Scientific Reports 8(1), 1–14, https://www.nature.com/articles/s41598-018-27385-2.

Molaei, S., Zare, H., Veisi, H. (2019). Deep learning approach on information diffusion
in heterogeneous networks. Knowledge-Based Systems p. 105153, http://www.sciencedirect.com/science/article/pii/S0950705119305076.

Rosen-Zvi, M., Griffths, T., Steyvers, M., Smyth, P. (2012). The Author-Topic Model for Authors and Documents. arXiv:1207.4169 [cs, stat], http://arxiv.org/
abs/1207.4169, arXiv: 1207.4169.

Salton, G., Buckley, C. (1988). Term-weighting approaches in automatic text retrieval.
Information Processing & Management 24(5), 513–523, http://www.
com/science/article/pii/0306457388900210

Sun, Y., Han, J., Yan, X., Yu, P.S., Wu, T. (2011). Pathsim: Meta path-based top-k
similarity search in heterogeneous information networks. In: In VLDB’ 11.

Varshney, D., Kumar, S., Gupta, V. (2014). Modeling Information Diffusion in Social Networks Using Latent Topic Information. In: Huang, D.S., Bevilacqua, V., Premaratne, P. (eds.) Intelligent Computing Theory. pp. 137–148. Lecture Notes in
Computer Science, Springer International Publishing, Cham.

Yang, H. (2008). Mining social networks using heat diffusion processes for marketing candidates selection. ACM, https://aran.library.nuigalway.ie/handle/10379/4164.