Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-11-07T16:54:43Z No. of bitstreams: 1 DANIEL BRUNO ALVES DOS SANTOS - TESE PPGEE 2015..pdf: 10968924 bytes, checksum: 74bc4c0d565359ae930b79a1277c7506 (MD5) / Made available in DSpace on 2018-11-07T16:54:43Z (GMT). No. of bitstreams: 1 DANIEL BRUNO ALVES DOS SANTOS - TESE PPGEE 2015..pdf: 10968924 bytes, checksum: 74bc4c0d565359ae930b79a1277c7506 (MD5) Previous issue date: 2015-11-11 / CNPq / O uso das redes sociais tem demonstrado enorme potencial para a criação, divulgação de informações e formação de opinião. Um dos problemas centrais que tem atraído a atenção de pesquisadores consiste em encontrar um conjunto inicial de usuários que, ao receberem algum incentivo, podem influenciar uma porção substancial da rede social para comprar um produto, adotar uma inovação ou propagar notícias. Este problema é denominado de Maximização de Influência. Embora avanços expressivos tenham sido alcançados desde a definição deste problema, a maior parte dos esforços tem sido concentrada em solucionar limitações de escalabilidade e de como aprender os parâmetros da solução. Como resultado, outros aspectos importantes foram pouco explorados, como, por exemplo, a relação de dependência entre a influência social e os tópicos de interesse dos usuários. Recentemente, essa questão tem sido abordada em um problema denominado de Maximização de Influência baseada em Tópicos, que consiste em encontrar um conjunto inicial de usuários com a habilidade de influenciar uma porção substancial de uma rede social em relação a um tópico específico. Todavia, as soluções propostas não são adequadas para redes sociais de larga escala e precisam incorporar mecanismos para determinar a influência social exercida entre os usuários em relação a cada tópico de interesse. Consequentemente, para estas abordagens, torna-se difícil ou mesmo inviável lidar de forma rápida e eficiente com as mudanças constantes na estrutura das redes sociais. Tal problema é particularmente relevante quando são considerados os tópicos de interesse dos usuários e a influência social que os mesmos exercem uns sobre os outros em cada tópico. Neste trabalho é proposta uma solução escalável baseada em mineração de dados sobre um registro de propagações de informações, com o objetivo de selecionar diretamente o conjunto inicial de usuários influentes em um determinado tópico, sem a necessidade de incorporar uma etapa anterior de aprendizagem de influência social relacionada a esse tópico. Como benefício adicional, o conjunto inicial de usuários obtido possui uma garantia de aproximação em relação à solução ótima. Por fim, é apresentada uma avaliação experimental sobre um conjunto de dados contendo propagações de informações de uma rede social real, onde são obtidas evidências de que a solução proposta mantém um custo-benefício entre escalabilidade e acurácia. / The use of social networks has shown great potential for information diffusion and formation of public opinion. One key problem that has attracted researchers' interest is how to find an initial set of users such that, when given an incentive, they might influence a substantial portion of the network to buy a product, adopt an innovation, or spread news. This problem is known as Influence Maximization. Although major improvements have been made since the íirst solution for this problem was developed, most of these efforts have been concerned on how to solve scalability issues and how to learn the solution parameters. As a result, other key aspects have gained minor interest, such as depending on relationship between social influence and users' topics of interest. Recently, this issue has been addressed as a problem known as Topic-based Influence Maximization, referring to finding a small set of users on a social network that have the ability to influence a substantial portion of users on a given topic. The proposed solutions, however, are not suitable for large-scale social networks and must incorporate mechanisms for determining social influence among users for each topic of interest. Consequently, for these approaches, it becomes difficult or even unfeasible to deal quickly and efficiently with constant changes in the structure of social networks. This problem is particularly relevant when the topics of interest of users and the social influence they exert on each other for every topic are considered together. In this work we propose a scalable solution that makes use of data mining based on an information propagation log, in order to directly select the initial set of influential users on a particular topic without needing to incorporate a previous learning stage of social influence with regard to that topic. As an additional benefit, the targeted seed set also offers an approximation guarantee of the optimal solution. Finally, an experimental evaluation is presented based on datasets containing information propagation data from real social networks where evidence has been found that the proposed solution maintains a trade-off between scalability and accuracy.