[发明专利]一种面向动态社交网络的影响力最大化分析方法

权利要求书

1.一种面向动态社交网络的影响力最大化分析方法，其特征在于，所述方法包括下列步骤：

(1)构建社交网络图：G＝(V,E)，其中G代表社交网络，V代表节点集合，E代表网络的边集合；

(2)获取激活概率：在面向动态社交网络时，通过使用影响力延迟分布函数将时间因素加入到激活概率，则该激活概率为其中p_uv代表初始激活概率，设为1/indegree(v)，δt代表影响力延迟，从影响力延迟分布函数中获取，影响力延迟分布函数为幂率分布；

(3)建立影响力传播模型：采用LAIC模型以及在步骤(2)中得到的激活概率进行影响力传播模型的构建；

(4)执行贪心算法：利用原始贪心算法以及在步骤(3)得到的LAIC模型进行影响力的传播；

(5)使用CELF算法优化：利用CELF算法对步骤(4)所使用的贪心算法进行运行效率优化。

2.根据权利要求1所述的一种面向动态社交网络的影响力最大化分析方法，其特征在于，步骤(2)中所述的幂率分布是一种与真实社交网络节点度分布相一致的函数。

3.根据权利要求1所述的一种面向动态社交网络的影响力最大化分析方法，其特征在于，步骤(3)中所述的LAIC模型的具体传播过程如下：

(a)假设网络中的节点分为三种状态：活跃，延迟活跃和非活跃状态，其中活跃状态指用户接受了某个信息，延迟活跃状态指用户对于传播的消息并不是马上接受，会经过一个时间延迟，才会接受，而非活跃状态指用户拒绝了某个消息；

(b)在初始时刻，每一个种子节点u都会以概率去尝试激活其延迟活跃或者非活跃的邻居v；

(c)如果种子节点能够成功影响到其非活跃邻居，其非活跃邻居会转变为延迟活跃，并且经过δ_t后，延迟活跃节点会转变成活跃节点；

(d)当一个延迟活跃的节点被多个邻居节点所影响时，其激活时间会更新到最早被影响的那个时间，其余邻居对其的影响就会忽略；

(e)此过程一直循环进行，直到没有新的活跃或者延迟活跃节点出现。

4.根据权利要求1所述的一种面向动态社交网络的影响力最大化分析方法，其特征在于，步骤(4)中所述的贪心算法的具体操作步骤如下：

(a)初始化：对种子节点集S进行初始化；

(b)计算每个节点v的边际收益：其表示为通过加入一个节点v到种子集S中所能带来的最终影响力增量，则计算公式如下：

σ(S+v)-σ(S)

其中，σ(g)表示影响力函数；

(c)选择种子节点：选择影响力增益最大的节点加入种子集S,并对每个节点的影响力进行更新；

(d)重复进行步骤(c)，直到选择满足目标的k个节点。

5.根据权利要求1所述的一种面向动态社交网络的影响力最大化分析方法，其特征在于，步骤(5)中所述的CELF算法的具体操作步骤如下：

(a)执行贪心算法：在开始轮次，利用原始贪心算法计算每一个节点的边际收益；

(b)创建优先队列：根据每个节点的边际收益，按降序将每个节点加入一个优先队列Q；

(c)选择种子节点：根据影响力函数的子模特性，在后面轮次选择种子节点时，不需要计算所有节点的影响力，只需要判断队首元素的轮次与当前轮次是否相等，若相等，则加入种子节点，若不相等，则更新该元素的边际收益，并对优先队列Q重新进行降序排序；

(d)在后面的每一轮次，重复进行步骤(c),直到选择满足目标的k个节点。