Efficient detection of influential users in social recommender systems

Abstract

Social networks surround us in our everyday life and we want to improve finding the most influential users in it. Therefore we could take the average measure or clustering approaches, but this might not be entirely accurate. Given indicators are not specific enough. Therefore in the Thesis, we want to improve to detect the influential users in a Social Recommender System by designing a centrality measure for a bipartite graph. A definition of what are influential nodes is vital. The focus is on the structural attributes of the individual nodes. It supposes to work for real-world data and outperforms other standard measures to make recommendations in the networks more meaningful. We define the properties of the concept so that it is most effective and test the limits by comparing it to other approaches. The Design Research approach is the method to be applied, we are defining a new artifact accordingly. The measure should be implemented with a program code to compute it with real-world networks. Most important is the evaluation, which will be done experimentally with comparing the real data results to other common indices and try to find out boundaries. With our foundation, we perform prominent applications in Node Ranking and Link Prediction, which can provide an outlook for further potential.

Soziale Netzwerke sind allgegenwärtig in unserem täglichen Leben und es ist wichtig die einflussreichsten Benutzer darin erkennen und einordnen zu können. Durchschnitts- oder Klassifizierungsansätze können zur Kategorisierung angewendet werden, aber dies ist möglicherweise nicht ganz richtig. Die bestehenden Indikatoren sind nicht spezifisch genug. Daher möchten wir in dieser wissenschaftlichen Arbeit die Erkennung der einflussreichsten Benutzer in einem Social Recommender-System verbessern, indem wir ein Maß zur Zentralitätsbestimmung für einen bipartiten Graphen entwickeln. Die Definition was ein einflussreicher Knoten ist hat eine entscheidende Bedeutung. Der Fokus liegt auf den strukturellen Attributen der einzelnen Knotenpunkte. Bestehende Messmethoden werden erweitert und kombiniert und wir setzten voraus, dass diese mit Datensätzen aus der Praxis arbeiten können. Damit können Empfehlungen aus der Analyse von Netzwerken aussagekräftiger getroffen werden. Wir definieren effiziente Parameter für die Methode und testen ihre Grenzen indem wir sie mit anderen Ansätzen vergleichen. Wir folgen dem Design Research-Ansatz mit dem ein neues Artefakt erstellt wird. Sehr wichtig ist dabei die Evaluierung, die experimentell durchgeführt wird. Die Metrik wird in Programmiercode implementiert und mit existierenden Netzwerken ausgeführt. Wir vergleichen Datensätze die die Wirklichkeit modellieren mit anderen wissenschaftlichen Praktiken. Einen Einblick was mit der von uns erstellten Grundlage möglich ist geben passende Anwendungen in den Bereichen Knotenreihung und Verbindungserkennung.