[发明专利]一种基于R覆盖率优先的社交网络观察点选取方法

说明书

技术领域

本发明属于社交网络技术领域，具体为一种基于R覆盖率优先的社交网络观察点选取方法。

背景技术

伴随着博客(Blog)、微博(Micro-Blog)等新型社交网络服务的大量出现，社交网络(Social Networks Services，SNS)已经成为社会大众获取信息的重要渠道之一。社交网络上的信息传播为人们带来方便的同时，也为网络谣言的扩散提供了一种途径。因此需要对社交网络中信息扩散源进行定位，进而对舆情进行监控。一种可行的定位方法，是在网络中部署观察点，对信息源进行似然估计。

现有的观察点选取方法，是在网络中选取中心性特征值较大的节点作为观察点。通过这种方法得到的观察点，其定位准确率低，且计算消耗大，不适用于庞大的社交网络。针对上述情况，本发明提出了一种基于R覆盖率优先的社交网络观察点选取方法，其目的是提高扩散源定位的准确率。通过该方法得到的观察点集，在固定观察点数量的情况下，其定位准确率更高；在保证定位准确率的情况下，需要的观察点更少，计算消耗也更小。准确的定位社交网络中的谣言扩散源点，是一种有效的网络舆情监控手段。现有的一种定位方法，是在网络中部署少量的观察点，根据观察点记录的信息首次传入时间和传入方向，计算候选信息源的似然估计值，进而推断信息源。这种方法的定位准确性和计算消耗，都与观察点在网络中的部署位置有关。

现有的观察点选取方法，一种是从网络中随机选取一定数量的观察点，另一种是优先选取网络中中心性特征值(例如度数中心性、介数中心性、紧密度中心性、特征向量中心性、聚类系数、K-核等)大的节点。这两类方法选取的观察点集合，其定位准确率均较低，如果需要保证一个较高的定位准确率，就需要增加观察点的个数。但是，随着观察点数量的增加，计算的消耗也随之增加。对于社交网络这样规模庞大的用户群体来说，这样的计算消耗会严重影响定位的及时性。

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于R覆盖率优先的社交网络观察点选取方法，找到一组优化的观察点集合，这组观察点集合可以满足在固定观察点数量的情况下，其定位准确率更高；在保证定位准确率的情况下，需要的观察点更少，计算消耗也更小。该方法的核心思想，是将观察点集在网络中的R覆盖率作为判断观察点定位性能的依据(理论依据下面有证明过程)，在指定观察点数量的情况下，选取网络中R覆盖率最大的一组节点作为观察点，使得这组观察点可以用尽可能小的计算消耗达到最高的定位准确率。其技术方案为：

一种基于R覆盖率优先的社交网络观察点选取方法，用m表示种群规模，G表示遗传代数，t表示当前种群代数，G(t)表示第t代种群，size(G(t))表示第t代种群中染色体个数，

算法：R覆盖率优先观察点集选取算法，

输入：遗传代数G，种群规模m，

输出：一组R覆盖率优先的观察点集，

包括以下步骤：

步骤1：当t＝0时，初始化G(0)；

步骤2：如果t＜G；

步骤3：计算G(t)中染色体的适应度函数值：取为适应度函数，其中T_i满足即对于染色体上的基因x_i来说，当x_i＝0时，T_i为空；当x_i＝1时，以网络中节点i为根做R阶生成树，得到全部满足|E(s，x_i)|≤R的节点的集合

步骤4：对G(t)进行复制操作，将父染色体存入G(t+1)；

步骤5：如果size(G(t))＜m；

步骤6：执行交叉操作，将新生成的染色体存入G(t+1)；

步骤7：执行变异操作，将新生成的染色体存入G(t+1)；

步骤8：如果size(G(t))≥m，则t+1，跳到步骤2；

步骤9：如果t≥G，则得到当前种群中适应度函数值最大的染色体，解码得到对应的观察点集合。

与现有技术相比，本发明的有益效果为：

本发明在已知网络拓扑结构和观察点数量的情况下，应用该算法，可以找到网络中一组R覆盖率最大的节点集合。该算法以遗传算法为基础，将网络中的节点映射为染色体中的基因。观察点选取方法是用于传播信息源定位的，与其他观察点选取方法相比，对于相同的观察点数目。本方法具有更高的定位准确率其有益效果具体表现在以下两个方面：

1.当网络中的观察点数量指定时，通过本发明所提出的观察点选取策略得到的观察点集，可以达到更高的定位准确率，提高了网络定位的性能。