Metody maximalizace vlivu v sociálních sítích

Abstract

Tato diplomová práce se zaměřuje na maximalizaci šíření vlivu v sociálních sítích. Hlavním cílem je návrh a implementace aplikace, která slouží pro testování a provádění experimentů pro srovnání difúzních modelů a algoritmů pro výběr počáteční sady uzlů. Vyvinutá webová aplikace, postavená na technologiích Python (FastAPI) a React, umožňuje uživatelům spouštět simulace s využitím difuzních modelů Independent Cascade, Weighted Cascade a Linear Threshold. Součástí systému je implementace algoritmů založených na simulacích Monte Carlo (Greedy, CELF, CELF++) i na bodovacích mírach (centrality, PageRank, RNR). Práce také obsahuje experimenty postavené na komparativní analýze na reálných i syntetických datových sadách, které zkoumají efektivitu, časovou náročnost, šíření vlivu, citlivost parametrů a vliv struktury sítě na rychlost a šíření nákazy. Z experimentů je prokázáno, že modely postavené na simulacích jsou stabilnější a jistější než heuristiky, ale mají vysokou časovou náročnost. Jejich použití je tedy vhodné na menších a klastrovaných sítích, pro rozsáhlé a hustě propojené sítě je z hlediska výpočetní a časové efektivity mnohem vhodnější využití heuristik, jako je PageRank.

This thesis focuses on maximizing the spread of influence in social networks. The main objective is to design and implement an application used for testing and conducting experiments to compare diffusion models and algorithms for selecting an initial set of nodes. The developed web application, built using Python (FastAPI) and React technologies, allows users to run simulations using the Independent Cascade, Weighted Cascade, and Linear Threshold diffusion models. The system includes the implementation of algorithms based on Monte Carlo simulations (Greedy, CELF, CELF++) as well as on scoring measures (centrality, PageRank, RNR). The thesis also includes experiments based on comparative analysis of real and synthetic datasets, which examine the effectiveness, computational complexity, propagation of influence, parameter sensitivity, and the effect of network structure on the speed and spread of infection. The experiments demonstrate that simulation-based algorithms are more stable and reliable than heuristics, but are computationally intensive. Their use is therefore suitable for smaller and clustered networks; for large and densely connected networks, the use of heuristics such as PageRank is much more appropriate in terms of computational and time efficiency.