[发明专利]独立级联模型下基于最大似然的影响力最大化方法

说明书

本发明涉及独立级联模型下基于最大似然的影响力最大化方法。本发明在复杂网络中确定种子节点，构造基于抽样的缩略图以及顶点分层，计算构造的缩略图中所有顶点的最大似然概率值，对所有的最大似然概率值进行排序，筛选出k个节点。本发明克服了Degree方法在识别有影响力节点方面缺乏准确性，CascadeDiscount方法计算复杂，内存消耗大且运行时间也比较长等缺陷。本发明提出一种构造缩略图的方法从而将复杂网络进行分解，按照条件筛选出包含k个节点的种子节点集合S，避免之前算法中寻找最短路径等其他条件，从而减少了许多不必要的计算，使得预测结果更加的准确，可靠性更高。

技术领域

本发明属于应用于复杂网络中利用独立级联模型识别影响力最大化的节点的方法，特别涉及独立级联模型下基于最大似然的影响力最大化方法。

背景技术

重要节点是指相比复杂网络中其他节点而言，能够在更大程度上影响网络的结构与功能的一些特殊节点。近年来，识别有影响力节点受到越来越广泛的关注，不仅因为其重大的理论研究意义，更因为其广泛的实际应用价值。

随着电子设备的发展和社会化媒体的发展，人们之间的联系越来越紧密。社会网络是社会行动者(如个人或组织)及其关系的集合。通常社会网络可以被形式化为一个图，每个节点对应于一个社会参与者，每个边缘对应于一对社会行动者之间的关系。这样的关系可以是合作伙伴，朋友，敌人等等。近年来，随着许多大型的社交网络，如新浪和人人网，社交网络已经成为当今的一个研究热点。在社会网络的研究中，信息如何通过人际在网络中的传播问题越来越受到人们的关注。从口碑营销和病毒式营销等营销策略中发现，营销者可以在人群中选择有代表性的个体子集，从而产生更大的级联效应，这就是影响最大化的问题。将影响最大化问题引入社会网络研究领域，成为近年来的研究热点。所以，复杂网络中影响力节点的识别有着十分重要的理论意义和实际价值重要的研究课题。目前也有很多识别影响力节点的算法被设计出来，比如说IPA、Degree、DegreeDiscountIC(DIC)、CascadeDiscount(CD)等方法。

在本发明之前，这些方法在识别有影响力方面存在缺陷和不足：Degree方法仅仅考虑网络中节点本身的度的大小，忽略节点与整个网络之间的关系，在识别有影响力节点方面缺乏准确性。CascadeDiscount(CD)虽然将网络中其他的因素，比如说是节点与节点之间的关系，节点与整体网络的关系，但是该方法的考虑到的方面多，计算复杂，内存消耗大且运行时间也比较长，在应用到大规模网络中时所用的时间多而且识别的效果不是特别理想。

发明内容

本发明的目的就是要克服上述缺陷，提供独立级联模型下基于最大似然的影响力最大化方法。

本发明的技术方案是：

独立级联模型下基于最大似然的影响力最大化方法，其主要技术特征在于包括如下步骤：

(1)在复杂网络中确定种子节点；

(2)构造基于抽样的缩略图以及顶点分层：基于独立级联模型(IC)，每条边上都赋予对应的概率，依据构造方法，考虑入度为0的节点，且考虑到不存在入度为0的情况下，将边的概率值作为构造依据进行缩略图的构造；

(3)计算构造的缩略图中所有顶点的最大似然概率值：根据给定的计算公式进行计算；

(4)选取k个最小的最大似然概率值节点：对所有的最大似然概率值进行排序，筛选出k个节点。

所述步骤(2)构造基于抽样的缩略图以及顶点分层：首先，本方法在考虑到网络图中入度为0的顶点同时，也考虑到两个节点u和v之间连接边的概率，不只把入度为0作为构造缩略图的唯一依据，同时考虑到不存在入度为0的情况下，将边的概率值作为构造依据；通过以入度为0和边上的概率作为构造缩略图的研究，能够构造出更为精准的缩略图和顶点分层。