[发明专利]基于在线社交网络数据的竞争性信息传播概率模型挖掘构建方法

权利要求书

1.一种基于在线社交网络数据的竞争性信息传播概率模型挖掘构建方法，其特征在于，包括如下步骤：

S1，获取在线社交网络信息数据，对于A信息数据处于在线社交网络上传播扩散时，匹配B竞争性的信息数据来抑制A信息数据的蔓延，遏制A信息的进一步传播扩散，对A信息数据和B信息数据进行竞争性信息数据分析；

S1-1，假设在竞争性信息传播模型中，网络上同时存在A信息数据和B信息数据两种不同类型的信息，随着时间的变化进行竞争性传播；

S1-2，按信息传播过程中网络节点所处的状态，将网络节点划分为四类，分别为未传播任何信息节点的S状态、已经收到A信息并积极传播的节点的I_A网络状态、已经收到B信息并积极传播的节点的I_B网络状态、已失去信息传播兴趣对所有信息持抵制态度的遗弃状态节点的R状态；

S1-3，在线社交网络数据的网络节点状态空间为C＝{S,I_A,I_B,R}，每一个网络节点的状态转换是一个相对随机的过程，下一时刻的状态与该节点的历史状态无关，只与当前状态有关，用分布函数来描述节点状态转换的马尔可夫性，用X表示网络节点状态转换的随机变量，随机过程{X(t),t∈T}的状态空间为C，T为离散的时间序列集合，在条件X(t_i)＝x_i,x_i∈C下，X(t_n)的条件分布函数恰等于在条件X(t_n-1)＝x_n-1下X(t_n)的条件分布函数，下标n＝1,2,3...i，即

P{X(t_n)≤x_n|X(t₀)＝x₀,X(t₁)＝x₁,…,X(t_n-1)＝x_n-1}

＝P{X(t_n)≤x_n|X(t_n-1)＝x_n-1}

网络节点从状态u迁移到状态v的转移概率记为p_ij；

p_ij＝P{X(t_n)＝v|X(t_n-1)＝u}

S1-4，获得转移概率矩阵P；

X(t_n)的状态

将竞争性信息数据传播模型的节点状态规则代入，则转移概率矩阵P简化为：

X(t_n)的状态

在竞争性信息数据传播过程，一个网络节点从S随机状态X(t_s)＝S出发，在t_i时刻转化为I_A状态X(t_i)＝I_A或I_B状态X(t_i)＝I_B，再经过若干个时间步的竞争，最后在t_n时刻转化为R状态X(t_n)＝R，从此退出竞争而网络节点状态不再改变，直至传播过程结束；

在t∈(t_i,t_n)期间，由于A信息和B信息相互竞争，一个I_A网络状态可能转化为I_B网络状态，或者一个I_B网络状态可能转化为I_A网络状态；在这个随机过程中，转移概率矩阵P只与节点状态和时间t有关，节点状态的n步转移概率矩阵P(n)为P(n)＝Pⁿ，即竞争性信息传播过程中，n步转移概率矩阵P(n)是一步转移概率矩阵P的n次方；

S2，建立竞争性信息传播概率模型，选择B信息数据的时间点和空间节点以最大限度地抑制A信息数据传播，将A信息数据和B信息数据共同传播时的规律以及传播过程中的影响发送到远程终端；

S2-1，设置邻接矩阵，该邻接矩阵表示网络节点之间的邻接关系，在线社交网络抽象为一个无向图，则邻接矩阵D是一个N阶方阵，其元素为

网络中某节点的邻边数量称为该节点的度，用k表示；网络拓扑结构的邻接矩阵表示方法与节点度表示方法二者本质上是等价的；邻接矩阵D与节点i的度k_i满足如下函数关系式；

邻接矩阵二次幂D²的对角元素就是节点i的邻边数，即节点i的度；

S2-2，S→I_A,I_B，节点从S网络状态转化为I_A,I_B状态；在线社交网络上节点总量为N是稳定的，假设t时刻一个S网络状态的节点i同时与I_A,I_B网络状态传播节点相邻，S网络状态的节点i与I_A，I_B状态节点信息交互关系为，每一个I_A状态节点成功将自身持有的A网络信息传播给节点i的概率为λ₁，传播不成功的概率为1-λ₁，如果网络节点i的邻居节点中所有I_A网络状态节点均传播不成功的概率为λ_SS1，则t时刻λ_SS1(t)表示为表示t时刻网络节点j为I_A状态的概率；

同理，每一个I_B状态节点成功将自身持有的B网络信息传播给节点i的概率为λ₂，传播不成功的概率为1-λ₂，如果网络节点i的邻居节点中所有I_B网络状态节点均传播不成功的概率为λ_SS2，则t时刻λ_SS2(t)表示为表示t时刻网络节点j为I_B状态的概率；

所以，t时刻网络节点i无法接收到任何信息的概率λ_SS为

t时刻S网络状态的节点个数为S(t)，用表示S网络状态的节点无法接收到任何网络信息的概率的期望值，则

实际上，也表示S网络状态的节点i在下一时刻仍保持为S网络状态的概率，也就是转移概率矩阵P中的转移概率p₁₁，即

所以，S网络状态的节点i转化为I_A,I_B状态的转移概率p₁₂,p₁₃分别表示为

S2-3，I_A,I_B→R，节点从I_A,I_B状态转化为R状态，

处于I_A,I_B网络状态的节点，随着在线社交网络数据收集过程时间的推移，网络节点会逐渐对网络信息数据降低热度值，I_A,I_B网络状态节点对信息数据的遗弃率分别为δ₁,δ₂，由于I_A,I_B网络状态节点转化到R网络状态与R网络状态节点自身无关，仅由I_A,I_B网络状态节点的遗弃率决定，因此，转移概率矩阵P中的转移概率p₂₄,p₃₄取值为

p₂₄＝δ₁，

p₃₄＝δ₂；

S2-4，在信息传播过程中，一个I_A网络状态节点和一个I_B网络状态节点进行竞争，在下一时刻都希望对方转化为本方相同的状态，社交网络数据竞争力度的大小取决于I_A网络状态和I_B网络状态的置换率θ₁,θ₂；当t时刻在线社交网络上同时存在多个I_A和I_B网络状态节点，分别用I_A(t),I_B(t)分别表示I_A网络状态和I_B网络状态的数量，通过S2-2的步骤，推导出转移概率矩阵P中的转移概率p₂₂,p₂₃,p₃₂,p₃₃分别为

至此，即把转移概率矩阵P表示为：

将相应网络状态的节点i的状态S_i表示为则S,I_A,I_B,R状态节点的状态取值分别为(1,0,0,0)^T，(0,1,0,0)^T，(0,0,1,0)^T，(0,0,0,1)^T，因而有节点在t时刻属于某一状态的概率表示该种状态的数学期望：

其中，分别表示在t时刻相应网络状态的节点i分别属于S,I_A,I_B,R状态的概率值，其满足概率的规范性和可列可加性，即

根据转移概率矩阵P，通过平均场理论得到CISIR概率模型：在t+1时刻

d_ij为网络节点邻接矩阵D中第i行第j列的取值。