ホタルのアルゴリズムを使用して、オンラインソーシャルネットワークで出会うのオピニオンリーダーは、（2つのノートを読みます）

前で、関係する2つのアルゴリズム紙の基本的な形を説明する説明、その後、我々はこの論文について話しています。
ソーシャルネットワークのために、私たちは地域社会を分割する必要がありますが、分割された方法は、前述したコミュニティLouvain紙に使用するコミュニティ発見アルゴリズムは、改善することでLouvain、コミュニティ発見アルゴリズムを、それを改善する方法として、以下のとおり


改善されたノード上にありますクラスタリング係数 $C_x$しかし、実際には、それが社会やメソッド以前に分割コミュニティを分割する処理です。
コミュニティの分裂後、改善のために呼ば改善ホタルアルゴリズムの使用に魅力ノードの定義ということです。

ここに $P_I$ユーザーは、重要示しP(Prominence)た値を
$P_x = \のFRAC {1} {} TH_X$

ここに $CC$、抵抗の中心近くにあります $紀元前$、中間の中心であります $EC$、中央の特徴ベクトルです、 $PR$ありPageRank、値 $D_X$中心性の程度があります。
メトリックの5種類のネットワーク内のノードの重要度を測定するために使用することができます。この論文の意義値で提示ユーザーが統合され、その後、ホタルアルゴリズムの魅力の指標に統合5の尺度です。
その後、反復アルゴリズムの方程式を使用すると、以下のような改善である。

その後、いくつかの実験は、彼の実験の正しさを検証することです。
右を見つけるために、実験には、この論文では分散分析を用いた超パラメータのためのホタルのアルゴリズム $A、B、Cの和$値。そして、この時点では、オピニオンリーダーを見つけるために、上のコミュニティを見つけるために、いくつかの中心とホタルのアルゴリズムを比較し、これらの方法を比較するために、それぞれ、実験や実際のデータ・セットをやって上の複合データセットにこの方法は、本明細書に記載された方法は、前面の中央のいくつかの尺度が提案よりも、また、これら三つのメトリックの実験を比較するために、本明細書精度、再現率とF1の値を使用されない方がよいです。
ここでは、ネットワークがいくつかのコミュニティのラベルを与えられているので、高精度、リコールとF1の値を使用することができた、いくつかの地域社会のオピニオンリーダーのネットワークがあり、そのための標準的な限界があり、その後、調査を実施精度、リコールとF1の価値の計算は、その後に来ます $CC、BC、EC、PR$利点ホタル向上アルゴリズムは、実質的に図に、提案され：

そして実行時間の比較がある。

そして、ホタル改良されたアルゴリズムを説明するために本明細書中で使用されます、それは、オピニオンリーダーを見つける方法の伝統的な措置の以前の方法よりも優れています。