[发明专利]一种基于拓扑信息融合的识别网络关键传播者的方法及装置

说明书

本发明公开一种基于拓扑信息融合的识别网络关键传播者的方法及装置，该方法包括：根据各个网络节点的直接连边数量计算网络中各个节点的度，即各个节点对应的邻居节点的个数；依据所述节点的度计算各个节点的H指数；计算所述网络中每对节点间的最短距离，进而得到各个节点的排名对应分值。本发明采用网络节点的常用指标得到一种可以全面反映社交网络节点角色的排名分值，可以更加准确的定位节点在社交网络中的定位角色，准确的挖掘出社交网络中的关键传播者，降低错判率；并且本发明采用Dijkstra算法，跟其他距离算法相比时间复杂度低，适用于复杂的社交网络时，时间成本更低，提高了识别效率。

技术领域

本发明涉及网络信息挖掘领域，具体涉及一种基于拓扑信息融合的识别网络关键传播者的方法及装置。

背景技术

由于社交网络的异质性，每个个体在网络结构和功能上发挥的作用差异巨大。关键传播者就是那些能够在更大程度上影响社交网络的结构与功能的一些特殊个体。例如，微博大V可以加速谣言在社交网络中的扩散。因此需要从海量用户中准确发掘出社交网络中的关键传播者，这样可以更好地控制社交网络信息的传播，而解决上述问题的关键在于针对社交网络的节点排序方法的设计。

目前，大部分节点排序方法仅使用网络的结构化信息，且主要分为基于邻居的中心性和基于路径的中心性。基于邻居中心性的代表包括：度中心性、H指数以及k-壳分解方法。基于路径中心性的代表包括：接近中心性和介数中心性。但经典的节点排序方法无法全面评价节点在网络中的角色。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种基于拓扑信息融合的识别网络关键传播者的方法，该方法可以解决评价节点在网络中的角色不全面以及准确率低的问题，另一方面，本发明还提供一种基于拓扑信息融合的识别网络关键传播者的装置。

技术方案：本发明所述的基于拓扑信息融合的识别网络关键传播者的方法，该方法包括：

采集以个体为节点的社交软件中的好友列表数据，若个体之间是好友关系，则对应的两节点之间存在一条直接连边，从而得到各个节点对应的直接连边数量；

根据各个节点的直接连边数量确定网络中各个节点的度；

依据所述节点的度计算各个节点的H指数，所述H指数用来表征社交网络中个体的直接影响力；

计算所述网络中每对节点间的最短距离，根据所述H指数和最短距离计算各个节点的排名对应分值，进而得到网络中关键传播者，所述节点间的最短距离用来表征个体处于社交网络中的传播位置。

进一步地，包括：

所述依据所述节点的度计算各个节点的H指数，具体包括：

统计所述节点对应的邻居节点的度，当h＝1时，判断是否满足有一个邻居节点的度不小于1；

若不满足，停止循环，H指数等于1，

若满足，则h+1，迭代循环，直至满足至多有h个邻居节点的度不小于h，其中，1≤h≤邻居节点的个数。

进一步地，包括：

所述网络中每对节点间的最短距离采用Dijkstra算法计算。

进一步地，包括：

采用Dijkstra算法计算节点间最短距离，具体包括：

输入：所述网络对应的网络邻接矩阵，

步骤：(1)指定起点s；

(2)引进两个集合S和U，S用来记录已求出最短路径的节点以及相应的最短路径长度，而U则是记录还未求出最短路径的节点以及该节点到起点s的距离；