[发明专利]基于社交网络层级结构的影响最大化种子集建立方法

说明书

本发明涉及基于社交网络层级结构的影响最大化种子集建立方法，属社交网络技术领域，步骤如下：a，输入网络G(V,E)、信源节点、种子节点数K、传播概率；b，计算节点紧密程度并降序排列；c，初始化层级数M,各层级断点g_Mx，结构稳定性FL_M，计算节点紧密程度不一致性最小值f_Mx；d，M增1，更新f_Mx,g_Mx，FL_M；e，判断FL_M是否增长，若是，重复步骤d,否则，进行步骤f；f，初始化种子节点集，以及在前m个层级中，挖掘第k个种子节点的影响程度R[m,k]和所在层级s[m,k],k＝1时，进行步骤g；g，更新R[m,k]、s[m,k]，在s[m,k]层中，寻找使影响程度增加最大的节点作为第k个种子节点，加入种子集中；h，k增1，判断k是否大于K，若是，进行步骤i,否则，重复步骤g；i,输出种子节点集。

技术领域

本发明涉及基于社交网络层级结构的影响最大化种子集建立方法，属于社交网络技术领域。

背景技术

任何社会性动物在个体与个体、群体与个体之间都存在着相互影响的关系。而人类作为具有复杂交流手段的高级社会性动物，社交影响力在社会生活中更是无处不在。深入认识影响力的产生和传播模式有助于理解人类群体和个体的行为，从而能够预期人们的行为，为政府、机构、企业等各部门的决策提供可靠的依据和建议。比如，企业在进行新产品推广时，可以利用用户对用户影响力及其传播的了解，选择有影响力的用户和传播渠道帮助产品推广。政府可以选择合适的影响力群体和渠道来扩大其政策的影响或阻止谣言的传播。

尽管信息和影响力在社交网络中的传播复杂多样，但排除一些干扰因素之后仍然有章可循。影响力传播模型用来刻画影响力在社交网络中的传播模式，目前最为流行的影响力传播模型是独立级联模型和线性阈值模型，以及它们的改进模型。而影响力传播建模的一个主要目的是控制和优化影响力的传播，这其中被广泛研究的一个核心问题就是影响力最大化问题。影响力最大化是在给定社交网络结构、影响力传播模型及其参数(如独立级联模型和边上的概率)的情况下，选择k个节点作为种子节点集合，使得该集合最终影响到的节点数最多，它是一个NP-hard的组合优化问题。解决NP-hard优化问题的一个重要方法是利用有效的近似算法来接近最优值，Kempe等人首先提出用Monte-Carlo模拟来模拟影响力传播，虽然该贪心算法能够达到(1-1/e)近似解，但是时间效率很低，尤其是当规模很大时。后来，为了更好地平衡效率和准确率这两个问题，诸多研究提出了各种可扩展的影响力最大化算法，这些算法基本可以分为两类，一种是仍然以单个节点，即个体作为研究对象，在此基础上加以动力学(dynamics)特征例如时间来寻找动态网络中的种子节点集，或者使用最优化方法例如模拟退火来提升算法的效率，或者加以某种限制例如成本最小化来寻找成本限制下的种子集合，或者加以更多的网络拓扑结构例如构造某一节点的最大影响力子树来替代Monte-Carlo模拟估计该节点的影响力，等等。另一种是利用群体，即社团作为研究对象，Yu Wang等人首先提出了基于社团的贪心算法来挖掘移动社交网络中的前k个影响力节点；Chen Y C等人提出一种基于社团的影响力最大化算法，该算法包括三个步骤，即社团检测，候选集生成和种子选择；Zhu C等人提出了基于分层社区结构的算法，该方法考虑每个节点的2跳输入分层网络和输出分层网络，分别用于计算该节点所受到2跳邻居节点的影响和该节点对2跳邻居节点产生的影响，与启发式算法相比，该算法获得了更广泛的影响范围和更少的运行时间。

上述方法通过改进贪心或启发式算法或利用社交网络的社团结构来改进效率和准确率问题，但是，它们都没有考虑根据节点的一阶和二阶邻近度划分的社交网络节点的层次结构，因此还有改进的空间。直观地说，影响随着信息的扩散而传播，假定信息的发布者已知，那么信息的扩散是逐层进行的，首先传播到与信源节点联系最为紧密的节点，其次传播到相对紧密的节点，就这样一层一层进行下去。本发明涉及的问题就是划分信息扩散层级，然后从这些层级中找到使得影响力最大化的种子节点。使用本发明寻找大规模社交网络中的影响力最大化种子节点集，可以在保证准确率可比的情况下，提高运算的效率，而且该方法还有良好的可扩展性。