[发明专利]基于抽样的线性阈值模型下的影响力最大化方法

说明书

本发明提出了一种基于抽样的线性阈值模型下的影响力最大化方法，首先根据有向图中的所有路径，划分出许多顶点对并计算出所有顶点对(v，u)的正、负激活概率；然后始化种子集合S能激活其余节点的正、负影响力估计；再初始化正影响力效益值；使用新加入的种子计算种子集合对所有u∈V\S的正、负影响力估计；使用新加入种子x对u∈V\S计算x加入S之后可以产生的正影响效益；最后依据种子集合个数k确定种子集合S；本方法避免了大量的计算模拟，提高了速度，缩短了时间。

技术领域

本发明属于社会网络科学领域，特别是一种基于抽样的线性阈值模型下的影响力最大化方法。

背景技术

随着社会网络的日益壮大，商家消费者身份的互相转换，影响力也成为每个人的关注点。具有新型商品或者需要推广的信息就会通过寻找具有影响力的传播者进行宣传。然而，人们往往会苦于如何寻找出合适的初始传播者才可以将影响力效益达到最大。如果商家和消费者可以在众多需求和选择中寻找出自己所需要的并将此影响力扩大，使得广大人民都了解自己所需要的或者隐性需求，那么就有望将自身的潜在需求转化为实际需求，使得影响力随之扩大，不仅可以在短时间内提高商家在该方面的影响力，也有助于提升消费者的内心接受率，达到扩大基础人群的数量，使得影响力再最大化。在传播过程中，商家之间的竞争就会造成一些消极影响，而由“朋友的朋友是我的朋友，敌人的敌人是我的朋友”这样的三角关系下，能够根据带符号的基于路径分析下针对减少计算模拟时间的影响力最大化方法应运而生。传统的影响力最大化方法有基于线性阈值的影响力最大化方法、有基于独立级联的最大化方法、有基于启发式方法的影响力最大化方法等等。

在计算机科学领域，基于互联网和大数据的影响力传播研究也从21世纪开始兴起。影响力传播的研究主要有三大支柱：第一是影响力传播的模型，主要描述影响力在社交网络中如何传播、有何特点和性质；第二是影响力传播的学习，即如何利用网络大数据挖掘学习影响力传播模式和具体传播模型的参数；第三是影响力传播优化，着重于考虑在不同的传播模型下，如何通过施加外部作用(比如选取有影响力的初始传播用户和改变传播途径等)来扩大希望传播的影响力或者控制和减弱不希望传播的影响力，也包括有效的监控影响力的传播等。

影响力最大化旨在一个网络中找到k个种子节点并通过这k个种子使得整个网络的影响力达到最大。最初由Kempe等人提出的基于独立级联和线性阈值的两个基本模型并证明了这一问题是NP-hard问题。几乎所有的研究都是在这两个模型之下开展的。传统的独立级联模型中，每个节点都会有一个可能被激活的概率p，假定v是被激活的种子，当节点v向其邻居节点u传达的概率大于p，则u被激活。相较于线性阈值模型，该模型的传播性能简单易懂。在带符号网络下的独立级联模型，就是在每条边(v，u)上标记一个符号sign＝{+，-}。显然当sign＝′+′时，v以p的概率将u激活为f状态，反之，则激活为一般，都是找到能够最大化正影响力的种子集合。影响力最大化使用的贪心算法几乎是非常完美的，虽然可以找出影响力最大化的种子，但是当需要换别的种子的时候，又需要重新计算，所以在时间复杂度上是一大弱点。

发明内容

本发明的目的在于提供一种基于抽样的线性阈值模型下的影响力最大化方法，提出了节点影响力指标，针对不同大小网络的不同路径一次计算，多次选取。

实现本发明目的的技术方案为：

一种基于抽样的线性阈值模型下的影响力最大化方法，包括以下步骤：

步骤1、给定有向图G＝(V，E)，根据有向图G中的所有路径，划分出许多顶点对(v，u)，并计算出有向图G的所有顶点对(v，u)的正、负激活概率P⁺(v，u)，P^-(v，u)；其中V代表有向图的所有节点，E代表有向图的所有边；