[发明专利]基于深度自编码器的复杂网络节点影响力最大化方法

说明书

本发明公开了一种基于深度自编码器的复杂网络节点影响力最大化方法，解决了复杂网络影响力最大化问题。其实现步骤为：构建复杂网络数据；确定复杂网络各节点的初始影响力；估计两层范围内影响力传播值；构建复杂网络影响力近似矩阵；构建编解码模型；训练编解码模型，优化编解码模型的目标函数，得到复杂网络各节点的影响力特征；选择复杂网络的影响力节点集合；不同于其他技术贪心地选择节点，本发明使用深度自动编码器通过无监督的方法，能够有效地挖掘出复杂网络节点的深层影响力特征，并找到具有潜在影响力的节点集合，所选择的节点能够引起大范围的影响力传播。本发明可应用于真实世界中的各类复杂网络。

技术领域

本发明属于复杂网络技术领域，涉及选择网络中最具有影响力节点的方法，具体是一种基于深度自编码器的复杂网络节点影响力最大化方法，用于发现复杂网络中重要的节点。

背景技术

自然世界中的个体及其相互关系可以抽象为复杂网络，网络中的节点可以表示自然世界中的个体，网络的边代表个体间的关系。复杂网络渗透到各个领域中，深入研究复杂网络，可以揭示隐藏在自然、生物和人类社会中的共同规律。然而，复杂网络的节点连接关系非常复杂，研究具有重要影响力的节点对信息传播和扩散起着至关重要的作用，发现这些节点可以帮助人们更好的理解网络结构及其信息传播特性。

影响力最大化问题近年来已经成为复杂网络领域的研究热点。问题可以简单的描述为：给定一个复杂网络，从中找出一小部分点集，使得产生的影响达到最大。

现有技术无法挖掘复杂网络中节点的影响力特征，在选择节点过程中存在一定的盲目性，而且现有技术大多数是基于贪心算法，时间复杂度非常高，不适用于大规模网络。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种既能得到影响力节点，还能得到节点影响力特征的基于深度自编码器的学习的复杂网络节点影响力最大化方法。以找出网络中节点的影响力特征，获得最大范围的影响力传播。

本发明是一种基于深度自编码器的复杂网络节点影响力最大化方法，其特征在于，包括有如下步骤：

(1)构建复杂网络数据：将真实世界的复杂网络抽象成拓扑图G＝(V,E)，其中，G表示一个复杂网络拓扑图，V＝{v₁,v₂,…,v_|V|}表示网络中节点的集合，|V|表示网络中的节点数目，E＝{e_ij|v_i,v_j∈E}表示网络中边的集合；

(2)确定复杂网络各节点的初始影响力：使用权重级联传播模型定义拓扑图G各节点的初始影响力；

(3)估计两层范围内影响力传播值：在权重级联传播模型下，应用LIE方程得到拓扑图G复杂网络中各节点的两层范围内影响力传播范围估计值，两层范围内影响力传播估计值由初始激活节点数σ₀(S)，第一层影响力估计值σ₁(S)，第二层影响力估计值σ₂(S)之和构成；

(4)构建影响力近似矩阵：根据拓扑图G复杂网络中各节点的两层范围内影响力传播范围估计值，构建影响力近似矩阵M：

M＝[m_ij]_|V|×|V|

其中，m_ij为复杂网络中单个节点的两层影响力传播范围估计值，

S＝{v_i∪v_j|v_i,v_j∈V}，M为|V|×|V|大小的矩阵；