[发明专利]一种度量社会网络影响力的方法

说明书

本发明公开了一种度量社会网络影响力的方法，本发明以有效地选择种子节点。算法1显示了CCIM算法的伪代码。首先，通过社区检测算法将网络G(V,E)划分为M个社区，然后计算节点的影响并找到影响力最大的种子节点。为了避免重复计算，我们采用边际增益策略的增量计算。选择种子节点后，删除重叠影响并重新计算其余节点的影响。最后，种子节点以特定的扩散模型在网络中传播影响力以最大化影响范围。

技术领域

本发明涉及互联网技术领域，尤其涉及一种度量社会网络影响力的方法。

背景技术

近年来，互联网技术的飞速发展促进了Twitter，微博和微信等社交网络的发展。社交网络是具有个体之间错综复杂关系的网络，它促进了信息在个体之间的传播。影响力最大化(Influence Maximization,IM)的目的是确定一定数量的最具影响力的用户，通过信息扩散使最终受影响的用户的预期数量最大化。由于其广泛的实际应用，如病毒营销[1,2]，谣言控制[3,4]和级联检测[5]，影响最大化引起了研究人员和专家的极大关注。

IM问题首先由Kempe等人[6]提出，证明了其是NP难问题，并提出了具有保证求解精度的贪心算法。传统的贪心算法具有较高的时间复杂度，因此无法应用于规模较大的网络。为了解决这个问题，近年来研究者提出了许多近似算法和启发式方法，例如基于仿真的算法[5,7]，基于中心度的算法[8,9,10]，基于路径的算法[11，12,13]和基于社区的算法[14,15,16,17,18]。基于社区的算法通常利用社区中节点的影响来近似其对整个网络的影响。

社区结构[19]是网络最突出的特征之一，其被描述为一个特殊的群体，其中节点在社区内连接紧密，而在社区间连接稀疏。它揭示了网络的组织结构和功能组件，并从中观层面描述了网络的结构。对于社区中的两个节点，即使由于数据的稀疏性，它们在微观结构中仅具有弱关系，但由于社区结构的限制，它们之间的影响将得到加强。另外，由于一个人的影响范围是有限的，因此可以用一个社区的影响来近似其对整个网络的影响。利用社区的规模比整个网络小得多的优势，可以在保证解决方案精度的情况下更有效地计算节点的影响力；

现有的基于社区的IM算法已经取得了一些成果，例如CoFIM[17]和IMPC[18]。但是，这些算法仅考虑了社区中节点的数量，而忽略了社区中边的连接密度。如图1(a)所描述的具有社区结构的网络，社区C₃与C₄中有相同数量的节点，但是中的边数比.C₃.中的要多。仅考虑节点数量，两个社区的影响是相同的。但是，社区中边的数量越多，表明节点之间进行交互的可能性就越高，这可能会增加激活非激活节点的机会。因此，区分C₃和.C₄.的影响有利于更准确地度量节点的影响力。

另外，现有方法只能应用于非重叠的社区结构。但在现实世界中，社区通常是重叠的，即一个节点可能属于许多社区。例如，在图1(b)中，节点v₁属于C₁，和C₄三个社区，因此其对三个社区中的节点都具有影响。

IM的研究一直是社会网络分析中的热门研究课题，旨在寻找社交网络中最具影响力的用户，以最大程度地扩大影响力。近年来，许多研究都集中在IM的问题上，利用小规模社区结构来提高运行效率。但是，现有的基于社区的影响力最大化方法仅考虑社区中节点的数量，而忽略社区中节点之间连接的密度。此外，现有研究方法只能应用于非重叠的社区结构。

发明内容

本发明的目的就在于为了解决上述问题而提供一种度量社会网络影响力的方法。

本发明通过以下技术方案来实现上述目的：

本发明包括以下步骤：

问题定义：

给定一个网络G，目标是选择一组最具影响力的节点S，在特定的扩散模型下最大化预期的总激活节点数σ(S)：