[发明专利]基于社团结构挖掘算法的在线社会网络信息传播最大化方法

说明书

基于复杂网络社团发现算法的信息传播最大化方法，包括如下步骤：1)复杂网络生成阶段：预处理从在线社会网络上爬取到的数据变为有向带权图；模型训练阶段：a)利用社团发现算法对复杂网络进行社团发现。b)为每一个社团，输出对应的子图。c)为每一个子图进行不同种子节点选取实验。d)利用所产生数据进行训练模型，并把得到的模型保存到指定区域以待使用。2)种子节点选取阶段：a)要进行挖掘的原始复杂网络分割为不同的社团，并生成对应子图。b)导入模型训练阶段训练好的预测。c)利用预测模型计算出每个子图应分配到几个种子节点进行挖掘。复杂网络数据中选取最具传播能力节点时的时间效率。具有选取结果优，数据处理速度快等优点。

技术领域

本发明涉及一种在线社会网络中信息传播最大化方法，在基于社团结构的传播最大化算法基础上引入学习机制。

背景技术

随着在线社会网络的普及与变的日益庞大，人们开始关注怎样在在线社会网络中进行有效的信息传播这个问题。并且提出了相关的算法。但这些算法的效率不能满足实际的需要。为了实现效率高的算法本方法在传统的基于社团结构挖掘的信息传播最大化算法中引入了学习机制，从而提高了原有算法的效率。在传统的基于社团结构的信息传播最大化算法的原理如下，利用社团发现算法把原有的网络分割为不同的社团，并分别在这些社团对应的子图里寻找种子节点，并最终形成种子节点集合，从而进行传播活动。这样的做法能够大大提高信息传播最大化方法的效率。但所挖掘出的社团的大小往往不一样，因此对于一个社团对应的子图应分配多少个种子节点指标进行挖掘便成为了一个难题。本方法引入学习机制，把有限的种子节点指标合理分配给诸多不同社团结构，从而解决了上面问题。根据社团对应子图的模块度，大小，种子节点数与覆盖度的关系中建立出预测模型，使得这种模型遇到某个特定子图时能够迅速运算出应分配几个种子节点指标。这样便可合理分配种子节点到各个不同的社团，并进行挖掘。这种方法在保证结果的合理性的基础上提高了系统的运算速度，提高了该方法的可行性。

发明内容

本发明所要解决的技术问题是，实现基于社团结构挖掘的在线社会网络信息传播最大化方法，并在该系统中采用学习机制，以提高选取信息传播种子节点的效率。

为解决上述问题，本发明技术方案是：一种基于复杂网络社团发现算法的信息传播最大化方法，包括如下步骤：

1)复杂网络生成阶段：

a)从在线社交网站爬取用户之间的链接关系(即一种无向图)与用户的操作日志；

b)建立静态模型(static model)，并从日志文件学习出节点之间的影响关系与影响度值；

c)把学习到的节点之间的传播关系与用户链接关系结合并得到一个有向带权图；

2)模型训练阶段：

a)利用社团发现算法Walktrap对复杂网络进行社团发现；

b)为每一个社团，输出对应的子图；

c)为每一个子图进行不同种子节点选取实验，并保存覆盖度等实验数据；

d)利用所产生数据进行训练模型，并把得到的模型保存到指定区域以待使用；

3)种子节点选取阶段：

a)要进行挖掘的原始复杂网络分割为不同的社团，并生成对应子图；

b)导入模型训练阶段训练好的预测；

c)利用预测模型计算出每个子图应分配到几个种子节点进行挖掘；

d)利用种子节点选取算法为每一个子图选取种子节点。最终集聚所有子图的种子节点形成最终结果；

4)结束。

进一步，其中步骤1)-a中连接关系指一个用户与另一个用户在在线社交网络中具有朋友关系。