Maximizing the Spread of Influence through a Social Network

Posted on by

Fiche de lecture  :

Kempe, D., Kleinberg, J., Tardos, E. (2013), Maximizing the Spread of Influence through a Social Network

Mots clés : approximation algorithms, social networks, viral marketing, diffusion of innovations

Les auteurs ont mis en place des processus et algorithmes pour déterminer l’étendu de l’influence sur les réseaux sociaux. Ils tentent de déterminer quels algorithmes peuvent analyser comment l’influence se diffuse sur les réseaux sociaux et comment cibler des individus

Développement :

Les réseaux sociaux jouent un rôle clé dans la diffusion de l’information, des idées et de l’influence parmis les utilisateurs.

N’importe quelle idée peut apparaître sur les réseaux sociaux et elle peut soit disparaitre très vite ou se propager et marquer l’esprit collectif de la population.

Avec le Big Data collecté sur les réseaux sociauux, ont peut estimer avec quelle force des individus s’influencent et marketer un produit afin qu’il soit adopter par une grande partie d’un dit network. Les premisces du marketing Viral et de l’Influence marketing sont que en targettant quelques personnes influentes avec un contrat ou des produits gratuits on peut déclencher une cascade d’influence ou les influenceurs vont influencé leurs followers qui vont faire de même avec leurs followers et leurs amis, ainsi de suite, créant ainsi une vague d’influence qui se propage.

Conclusion : Afin que ce phénomène se produit, il faut réussir à cibler une poignée d’influenceur qui sont en adéquation parfaite avec les thèmes de la campagne, le produit et la marque.

Il faut que les followers voient dans ce relaie du produit par l’influenceur, un acte tout à fait naturel de part l’univers de celui-ci. La correspondace doit être parfaite notamment entre la base de followers de la marque et celle de l’influenceur

 

Références bibliographiques

  • 1. R. Albert, H. Jeong, A. Barabasi. Error and attack tolerance of complex networks. Nature 406(2000), 378-382.
  • [2] C. Asavathiratham, S. Roy, B. Lesieutre, G. Verghese. The Influence Model. IEEE Control Systems, Dec. 2001.
  • [3] C. Asavathiratham. The Influence Model: A Tractable Representation for the Dynamics of Networked Markov Chains. Ph.D. Thesis, MIT 2000.
  • [4] F. Bass. A new product growth model for consumer durables. Management Science 15(1969), 215-227.
  • [5] E. Berger. Dynamic Monopolies of Constant Size. Journal of Combinatorial Theory Series B 83(2001), 191-200.
  • [6] L. Blume. The Statistical Mechanics of Strategic Interaction. Games and Economic Behavior 5(1993), 387-424.
  • [7] J. Brown, P. Reinegen. Social ties and word-of-mouth referral behavior. Journal of Consumer Research 14:3(1987), 350-362.
  • [8] J. Coleman, H. Menzel, E. Katz. Medical Innovations: A Diffusion Study Bobbs Merrill, 1966.
  • [9] G. Cornuejols, M. Fisher, G. Nemhauser. Location of Bank Accounts to Optimize Float. Management Science, 23(1977).
  • [10] P. Domingos, M. Richardson. Mining the Network Value of Customers. Seventh International Conference on Knowledge Discovery and Data Mining, 2001.
  • [11] R. Durrett. Lecture Notes on Particle Systems and Percolation. Wadsworth Publishing, 1988.
  • [12] G. Ellison. Learning, Local Interaction, and Coordination. Econometrica 61:5(1993), 1047-1071.
  • [13] J. Goldenberg, B. Libai, E. Muller. Talk of the Network: A Complex Systems Look at the Underlying Process of Word-of-Mouth. Marketing Letters 12:3(2001), 211-223.
  • [14] J. Goldenberg, B. Libai, E. Muller. Using Complex Systems Analysis to Advance Marketing Theory Development. Academy of Marketing Science Review 2001.
  • [15] M. Granovetter. Threshold models of collective behavior. American Journal of Sociology 83(6):1420-1443, 1978.
  • [16] V. Harinarayan, A. Rajaraman, J. Ullman. Implementing Data Cubes Efficiently. Proc. ACM SIGMOD 1996.
  • [17] T.M. Liggett. Interacting Particle Systems. Springer, 1985.
  • [18] M. Macy. Chains of Cooperation: Threshold Effects in Collective Action. American Sociological Review 56(1991).
  • [19] M. Macy, R. Willer. From Factors to Actors: Computational Sociology and Agent-Based Modeling. Ann. Rev. Soc. 2002.
  • [20] V. Mahajan, E. Muller, F. Bass. New Product Diffusion Models in Marketing: A Review and Directions for Research. Journal of Marketing 54:1(1990) pp. 1-26.
  • [21] S. Morris. Contagion. Review of Economic Studies 67(2000).
  • [22] G. Nemhauser, L. Wolsey. Integer and Combinatorial Optimization. John Wiley, 1988. .
  • [23] G. Nemhauser, L. Wolsey, M. Fisher. An analysis of the approximations for maximizing submodular set functions. Mathematical Programming, 14(1978), 265–294.
  • [24] M. Newman. The structure of scientific collaboration networks. Proc. Natl. Acad. Sci. 98(2001).
  • [25] D. Peleg. Local Majority Voting, Small Coalitions, and Controlling Monopolies in Graphs: A Review. 3rd Colloq. on Structural Information and Communication, 1996.
  • [26] M. Richardson, P. Domingos. Mining Knowledge-Sharing Sites for Viral Marketing. Eighth Intl. Conf. on Knowledge Discovery and Data Mining, 2002.
  • [27] E. Rogers. Diffusion of innovations Free Press, 1995.
  • [28] T. Schelling. Micromotives and Macrobehavior. Norton, 1978.
  • [29] T. Valente. Network Models of the Diffusion of Innovations. Hampton Press, 1995.
  • [30] S. Wasserman, K. Faust. Social Network Analysis. Cambridge University Press, 1994.
  • [31] D. Watts. A Simple Model of Global Cascades in Random Networks. Proc. Natl. Acad. Sci. 99(2002), 5766-71.
  • [32] H. Peyton Young. The Diffusion of Innovations in Social Networks. Santa Fe Institute Working Paper 02-04-018(2002).
  • [33] H. Peyton Young. Individual Strategy and Social Structure: An Evolutionary Theory of Institutions. Princeton, 1998