c# itextsharp pdfreader not opened with owner password : Add page numbers to pdf document application Library cloud windows .net winforms class Reichman_The_Quest_for_Content0-part959

The Quest for Content: How User-Generated Links Can 
Facilitate Online Exploration 
Jacob Goldenberg (The Hebrew University of Jerusalem), 
Gal Oestreicher-Singer (Tel Aviv University) and 
Shachar Reichman (Massachusetts Institute of Technology)
ABSTRACT 
Online content and products are presented as product networks, where nodes are product pages 
linked by hyperlinks. These links are typically algorithmically-induced recommendations based 
on aggregated data. Recently, websites have begun to offer social networks and user-generated 
links alongside the product network, creating a dual-network structure. We investigate the role 
of this dual-network structure in facilitating content exploration.  
We analyze YouTube's dual network and show that user pages have unique structural properties 
and act as content brokers. Next, we show that random rewiring of the product network cannot 
replicate this brokering effect. We present seven internet studies in which participants, browsing 
a YouTube-based website, are exposed to different conditions of recommendations. Our first 
studies show that exposure to the dual network results in a more efficient (time to desirable 
outcome) and more effective (average product rating, overall satisfaction) exploration process. 
We extend those studies to include dynamic structures, in which the network changes as a 
function of time or in response to participants’ satisfaction. We replicate our results using data 
from another content site (Last.fm). 
Keywords: e-commerce; social networks; product network; user generated content 
The authors thank Erik Brynjolfsson, Nicholas Economides, Barak Libai, Dina Mayzlin and Eitan Muller for many 
helpful discussions, and participants at the Marketing Science Conference, the Emergence and Impact of User- 
Generated Content conference, the International Conference on Information Systems conferences, and the 
Workshop on Information Systems and Economics for valuable comments and suggestions. Financial support from 
the Marketing Science Institute and the Wharton Interactive Media Initiative, and the Next Generation Video 
(NeGeV) Consortium (www.negev-initiative.org) is gratefully acknowledged 
Add page numbers to pdf document - insert pages into PDF file in C#.net, ASP.NET, MVC, Ajax, WinForms, WPF
Guide C# Users to Insert (Empty) PDF Page or Pages from a Supported File Format
add blank page to pdf; adding pages to a pdf
Add page numbers to pdf document - VB.NET PDF Page Insert Library: insert pages into PDF file in vb.net, ASP.NET, MVC, Ajax, WinForms, WPF
Easy to Use VB.NET APIs to Add a New Blank Page to PDF Document
add page numbers to pdf; adding a page to a pdf in reader
2 
INTRODUCTION 
With the seemingly limitless variety and quantity of content available online, consumers 
devote substantial effort to searching for content and products that match their tastes. The 
growth of online content has recently been bolstered by the increasing popularity and prevalence 
of user-generated content (UGC) and Web 2.0 technologies. Considering that online content is 
rarely accompanied by traditional marketing campaigns, two fundamental questions in this 
context are, how do consumers find "good" content, and how can the site owner (e.g., Amazon 
or YouTube) increase the efficiency (i.e., the time it takes the consumer to find satisfactory 
content) and the effectiveness (i.e., the consumer’s satisfaction from the search results) of the 
consumer’s search process? 
Consider the following example. On September 13, 2009, the famous artist Kanye West 
surprised the world as he jumped on the stage of the MTV awards, grabbed the microphone 
from the artist Taylor Swift (who was receiving the award for "Best Female Video of the Year"), 
and stated that another performer deserved the award more. On the same day, Yarin Lidor 
posted to YouTube a video mocking the event, titled "Remix: Kanye West Disrespect and 
Interrupt Taylor Swift". Despite the creator's anonymity, the video was a great success and was 
viewed more than three million times over the following two weeks, making it one of the most 
viewed videos of those weeks. Figure 1(a) provides the summary statistics of the distribution of 
sources from which those three million viewers (the "consumers") arrived at the video's page. 
Because Kanye West’s outburst received much media attention, a large portion (approximately 
39%) of the consumers arrived at the page after a keyword search on this topic. Approximately 
12% arrived at this page after following a "related video" link on another video's page, and 22% 
arrived after following a link placed on a user’s personal page on YouTube. 
(Insert Figure 1 about here) 
Six days later, Mr. Lidor posted another video on YouTube, named "How Could You Be So 
Jackass". That video received milder success and was viewed by approximately 30,000 viewers. 
C# Create PDF Library SDK to convert PDF from other file formats
offer them the ability to count the page numbers of generated document in C#.NET using this PDF document creating toolkit, if you need to add some text
adding a page to a pdf; add and delete pages in pdf
C# Word - Word Create or Build in C#.NET
also offer them the ability to count the page numbers of generated using this Word document adding control, you can add some additional Create Word From PDF.
adding page numbers to pdf files; adding page numbers to a pdf in preview
3 
Figure 1(b) provides the summary statistics of the distribution of sources from which those 
consumers arrived at the video's page. Clearly, being less popular, this video was not searched 
for as often (only 1% of consumers arrived at the page after using a keyword search). However, 
approximately 40% arrived at this page after following a "related video" link on another video's 
page, and 19% arrived after following a link placed by a user on the YouTube social network.  
The traffic patterns to both of Mr. Lidor’s videos suggest that the "related videos", i.e. 
YouTube recommendations, and links placed by users on the YouTube social network both play 
important roles in directing consumers' attention. They also highlight another salient 
characteristic of consumption of UGC – the existence of content exploration with no clearly 
defined target. Of the viewers who viewed Mr. Lidor’s first and second videos, 34% and 59%, 
respectively, found the content with no direct intention to view it specifically, but rather through 
exploration, based on recommendations.  
While the first video received media attention, most content on UGC sites is more similar to 
the second video. That is, few consumers specifically search for them, and most views are the 
result of exploration, also referred to as hedonic browsing (Moe 2003; Moe and Fader 2004)
.
In 
this paper, we study how user-generated links affect exploration efficiency and effectiveness. 
We focus on consumers who explore the content space with no defined target and are therefore 
less likely to use traditional keyword search. 
One structure that has been widely adopted by content and retail websites is the product 
network. In this structure, each product is connected by links to other products' web pages. The 
links are usually algorithmically induced recommendations that map complementarity 
relationships between products (for example, co-purchased products, such as Amazon’s 
recommendations appearing under the title "Customers who bought this item also bought…"). 
The product network structure allows consumers to browse the wide variety of content and has 
been shown to influence their consumption patterns (Oestreicher-Singer and Sundararajan 
2011).  
C# PowerPoint - PowerPoint Creating in C#.NET
offer them the ability to count the page numbers of generated in C#.NET using this PowerPoint document creating toolkit, if you need to add some text
add page numbers to pdf document; add a page to a pdf
C# Word - Word Creating in C#.NET
offer them the ability to count the page numbers of generated document in C#.NET using this Word document creating toolkit, if you need to add some text
adding pages to a pdf document; adding page numbers pdf
4 
Another, better known, type of network prevalent online is the social network, which 
typically describes relationships between individuals, for example, friends, colleagues, or 
trading partners. These networks can be described as collections of personal web pages that are 
linked to one another, where a link represents a connection between two individuals. Social 
networks are prevalent mainly in designated websites, such as Facebook.com or LinkedIn.com. 
Recently, a growing number of e-commerce sites that use product-network-based 
recommendation systems have begun to add social networks. On such a site, the product 
network is linked to the social network through user-generated links: links between users' pages 
and products' pages. These links typically appear in the context of online opinions or 
conversations (comments, reviews, or posts). Each link is created by a single individual without 
any intervention of a recommendation algorithm or aggregate data and thus represents her own 
individual opinion about the product. This link can be thought as a personal recommendation of 
that individual regarding the product. Note that in contrast to two-mode networks, edges form 
between the same types of nodes (i.e., social and product network) as well as between different 
types of nodes (Buldyrev et al. 2010; Newman, 2003). The integration of the social network 
with the product network creates a new structure, which we refer to as the dual-network 
structure (illustrated in Figure 2). Dual networks are becoming prevalent on UGC sites, such as 
YouTube.com, Flickr.com, and Digg.com. Some e-commerce sites have slowly begun to 
incorporate social features such as communities and forums in which consumers can actively 
participate. For example, on Amazon.com, a customer book review on a product page can 
include a link to the reviewer's personal page, and a reviewer's personal page might include links 
to other books or other reviewers.
(Insert Figure 2 about here) 
We focus on the role of this dual network structure and specifically of user-generated links 
in facilitating content exploration. As an example for online content sites we analyze the 
YouTube.com dual network. Using data on more than 700,000 videos and users from the 
VB.NET TIFF: VB.NET Sample Codes to Sort TIFF File with .NET
manipulating multi-page TIFF (Tagged Image File), PDF, Microsoft Office If you want to add barcode into a TIFF a multi-page TIFF file with page numbers using VB
add a page to a pdf document; add document to pdf pages
C# Excel: Create and Draw Linear and 2D Barcodes on Excel Page
can also load document like PDF, TIFF, Word get the first page BasePage page = doc.GetPage REImage barcodeImage = linearBarcode.ToImage(); // add barcode image
add page numbers to pdf online; adding page numbers to pdf in
5 
YouTube.com dual network, we are able to show that user pages have unique structural 
properties (e.g., high betweenness centrality) that enable them to act as better content brokers in 
the dual network. Next, we show that random rewiring of the product network cannot replicate 
the brokering effect of the user-generated links of the real-world dual network. We introduce 
seven web studies in which consumers browse a YouTube-based website and are exposed to 
different conditions of recommendations based on the YouTube product network, the YouTube 
dual network and a randomized network we created. Our first four studies show that allowing 
consumers to use both the product network and user-generated links leads them to find 
satisfactory content more quickly. We then replicate our study using a dual network from a 
different website—Last.fm—and obtain similar results. We subsequently extend these studies to 
include a dynamic strategy, offering stronger managerial implications for e-commerce policy. In 
these studies, the types of links consumers are exposed to change as a function of time (studies 5 
and 6) or in response to participants’ actions (study 7). We find that these dynamic structures 
lead to an increase in consumers’ ratings of the content and to higher overall satisfaction. 
LITERATURE REVIEW 
Most papers about online content search have focused on keyword search (Arasu et al. 
2001). However, as pointed out by Rangaswamy and colleagues (2009), search engines still fail 
to meet the needs of users who explore the content space without a clear idea of what they are 
looking for. The importance of the distinction between directed and exploratory search has been 
noted by marketing scholars, who have been increasingly interested in online shopping 
behavior, aiming to better understand the path that leads to conversion (see Hui, Fader and 
Bradlow (2009) for a framework for such research). Moe (2003) presented a taxonomy of 
behavior for online shoppers on a retail site, classifying shoppers according to their motivations 
and goals. A subsequent paper by Moe and Fader (2004) studied the conversion rate in online 
shopping, distinguishing between visits motivated by a planned purchase and visits associated 
C# Excel - Excel Creating in C#.NET
also offer them the ability to count the page numbers of generated in C#.NET using this Excel document creating toolkit, if you need to add some text
add pages to an existing pdf; add page pdf
VB.NET Image: Guide to Convert Images to Stream with DocImage SDK
Follow this guiding page to learn how to easily convert a single image or numbers of it an image processing component which can enable developers to add a wide
add page to pdf without acrobat; adding page numbers in pdf file
6 
with hedonic browsing (see also Bucklin et al. 2002). We focus on exploratory search, or 
hedonic browsing, in the context of search for content.  
Many content websites attempt to guide consumers’ exploration processes, e.g., to improve 
users’ experience of the site, or to provide exposure to certain types of content. Generally, 
websites guide consumers by exposing them to recommendations generated by designated 
algorithms. Given the recent advances in recommendation algorithms (e.g. Adomavicius and 
Tuzhilin 2005; Herlocker et al. 2004), why would user-generated links (and dual network 
structures) contribute to the process of exploration over a product network? The answer may be 
found through analogy to the social network. Recent marketing literature connects network 
structure properties to information dissemination in social networks (e.g., Goldenberg, Libai, 
and Muller 2001; Goldenberg et al. 2009; Katona, Zubcsek, and Sarvary 2010; Shaikh, 
Rangaswamy, and Balakrishnan 2006; Trusov, Bucklin, and Pauwels 2009; Valente 1996; Van 
den Bulte and Wuyts 2007). Specifically, the informative advantage of weak ties and structural 
holes in social networks has been demonstrated repeatedly (starting from the seminal works by 
Burt (1992) and Granovetter (1973)). In principle, individuals who have strong ties usually 
possess similar information and have little to contribute to each other (e.g., in a job search 
scenario as in Granovetter, 1973). By contrast, individuals with weak ties belong to different 
social circles, and therefore information they transmit to one another is more likely to be new. 
In the context of the product network, recommendation systems are likely to link content 
items that are broadly similar to one another, with relatively low variance. This occurs for two 
reasons. First, such systems are heavily built on data that come from directed (keyword) search. 
When an individual searches for specific content (e.g., “Seinfeld episode”), her subsequent 
searches are likely to be for similar content (e.g., more episodes of Seinfeld, interviews with the 
actors etc.). Second, the recommendation system aggregates the choices of the entire population, 
attempting to achieve a high overall likelihood of satisfaction. The intersection of such 
preferences is likely to exhibit relatively low variety in content. The result of these two 
C# Word: How to Use C# Code to Print Word Document for .NET
are also available within C# Word Printer Add-on , like pages at one paper, setting the page copy numbers to be C# Class Code to Print Certain Page(s) of Word.
add and delete pages in pdf online; add page to pdf online
C#: Use XImage.OCR to Recognize MICR E-13B, OCR-A, OCR-B Fonts
may need to scan and get check characters like numbers and codes. page.RecSettings. LanguagesEnabled.Add(Language.Other); page.RecSettings.OtherLanguage
add page number pdf; add page number to pdf preview
7 
mechanisms is that, in most cases, the algorithm recommends products that are similar to one 
another. For example, we find that on YouTube, 56% of the product network links connect 
videos within the same category. 
In social network research, frequency of communication (e.g., number of phone calls or the 
number of joint posts) is often used as a proxy for tie strength. Applying this logic to the product 
network setting, we can consider recommendation links as strong ties between products, given 
that these links are based on the preferences of the majority (for example, being frequently co-
viewed or co-tagged). We explore and confirm this premise in the empirical part of this paper. 
As discussed above, during the exploration process, and especially as time elapses, strong ties 
may cease to be interesting or informative because they point to similar content (e.g., videos or 
books). To branch out from the close circle of similar content, weaker ties are required.  
These weak ties are provided by the dual network structure. Just as, according to social 
networking theory, an individual can bridge across several social circles, we can consider each 
individual user of a website as being situated in the intersection of different types of product 
circles (for example, different genres or categories). The typical user does not post links to 
identical content types but rather presents a variety of content to reflect his or her different 
preferences. For example, a user may have favorite funny commercials as well as favorite 
educational videos, which have little in common. Thus, users will often bridge across products 
of different circles based on their preferences (for example, on YouTube, less than 20% of a 
given user's generated links connect products of the same category). The resulting user-
generated links function as the weak ties of the product network. As content exploration is an 
ongoing process, which often includes seeking new information, it is very possible that users 
will be able to benefit from the ability to observe weak ties (user-generated links), together with 
the strong ties (algorithm-induced recommendations). 
To the best of our knowledge, our work is the first to study the dual network often present 
in electronic commerce sites. Work on product networks includes a study of the network of 
8 
networked content sites by Katona and Sarvary (2008), who investigated how to strategically 
link between Web sites in a market of advertising links. However, product networks were not 
explicitly mentioned in that study. Oestreicher-Singer and Sundararajan (2011) studied the 
network of books on Amazon.com and quantified the incremental correlation in book sales 
attributable to product networks' visibility. We propose that the integration of social and product 
networks will facilitate exploration of content, and that the exploration process is more efficient 
in a dual-network structure that incorporates user-generated links than in a regular product 
network based on algorithmically induced recommendations.  
OVERVIEW OF DATA 
Using data from YouTube.com, one of the largest existing dual networks, we conduct an in-
depth analysis of the dual-network structure. YouTube’s core business is centered around 
videos, which are the website’s “products”. Each video has an associated webpage that is 
connected by links to other videos’ webpages, thus creating a product network. In addition to the 
product network, YouTube offers a social network in which each user has an associated 
webpage (Figure 3 presents a sample product page and a sample user page); these webpages can 
be linked to other user pages (creating a social network) and to video pages (connecting the 
product and social networks). This creates a dual network structure (see Figure 2 above). 
Using a crawler we collected data on the YouTube product network and social network. We 
have collected data for approximately 700,000 videos and for 50,000 users connected by 
approximately 10 million links. The links include algorithm-generated links between videos 
based on co-consumption (labeled "Related Videos"), social links between user pages 
("Friends"), and user-generated links between products and users ("Owner" and "Favorites"). 
(Insert Figure 3 about here) 
Data were collected using snowball network sampling, which is a common technique used 
in large network sampling (Ahn et al. 2007; Carrington, Scott, and Wasserman 2005; 
Wasserman and Faust 1994). Specifically, we used a breadth-first algorithm starting with the 25 
9 
most viewed videos on YouTube.com, following each video's links to its owner and to its 
related videos. We then followed user friend links as well as related-video links, and continued 
up to 4 hops from the source (fourth neighbor). At the fourth level of the data collection, we 
collected only outgoing links of nodes (videos) to other nodes already in our dataset. Incomplete 
information is a common problem when sampling a network of this size, especially regarding 
the outer edges of the network. By using this method, which collects data about the links of 
these outer nodes to inner nodes in the sampled network, we reduce the level of incompleteness.  
THE TOPOLOGY OF DIFFERENT NETWORK STRUCTURES  
The first step in our empirical investigation required in-depth analysis of the dual network 
and a comparison of this structure with the following two alternative network structures: 
The product network. To create an example of a product network, we extracted only the 
product nodes and the links between them from the above mentioned data set. To make sure all 
the networks we considered were of comparable sizes, and since there were 50,000 user nodes in 
the dual network, in the studies described below we used a reduced version of the dual network, 
which we generated by eliminating 50,000 randomly chosen product nodes from the outer edge 
of the original dual network. 
The synthetic dual network. As suggested, the dual-network structure may facilitate a more 
efficient exploration process. It is therefore important to understand whether this is due to the 
unique information carried over user-generated links, or whether this is simply a result of 
offering a more diverse set of options, in which case the same benefits could be achieved easily 
by implementing a more advanced recommendation algorithm. The literature on network 
structure (Newman, 2003) suggests that adding random links reduces the average distance 
between products in a network. Such rewiring can therefore potentially assist the exploration 
process as well. To be able to compare such a network to the dual network, we constructed a 
synthetic dual network. This network is based on the YouTube product network mentioned 
above (the reduced network with 50,000 user nodes eliminated), with 50,000 artificially created 
10 
dummy-user pages, each randomly connected to different products, according to the degree 
distribution of the real user nodes. 
Using the three networks (the YouTube dual network, the YouTube product network and 
the synthetic dual network), we computed several indices that are commonly used in the 
literature to characterize network structures and effectiveness (Newman 2003; Wasserman and 
Faust 1994), including the following: 
1. The degree (number of links) of each node, including the indegree (the number of 
incoming links) and outdegree (the number of outgoing links).  
2. Closeness centrality of each node: a measure of the average minimal distance (number of 
hops) between this node and any other node in the network. 
3. Betweenness centrality of each node: a measure of the number of shortest paths (between 
any two nodes) in which this node is included.  
4. PageRank of each node (Brin and Page 1998): an iterative measure of centrality, which 
is based on the number of links pointing to a node and the centrality of those links.  
5. Assortative mixing level of each node: a measure of the level of similarity (homophily) 
between a given node and its neighbors (Newman 2003).  
Note that we treated all types of nodes as one integrated network when computing the 
indices. Table 1 shows our findings for the YouTube dual network and for the synthetic dual 
network, separated according to the types of nodes. 
Looking at the YouTube dual network (the two left columns of Table 1), it is perhaps 
surprising that even when both types of nodes are included in one combined network, they have 
notably different structural properties. Most importantly, compared with video (product) nodes, 
user nodes in the YouTube dual network have a significantly higher betweenness 
(approximately three times higher). This observation suggests that user pages (and their 
associated user-generated links) play an important role in increasing network connectivity. 
Documents you may be interested
Documents you may be interested