[发明专利]基于地理区域的社交网络最大影响力节点选取方法

说明书

本发明公开了一种基于地理区域的社交网络中最大影响力节点的选取方法，所述方法将大型社交网络结构与地理信息相结合，采用四叉树索引与最大影响力树结构相结合的算法，选取查询区域内影响力最大的节点集，本发明可以高效选取出地理区域中影响力最大的种子节点集合。其中，使用四叉树索引结构来存储网络节点的位置信息，并使用深度优先搜索方法来识别给定查询区域中的候选对象；使用最大影响树状结构(MIA)计算每个候选节点的影响集并运行动态规划算法计算所有候选节点的影响力；再根据排序迭代弹出最大堆中具有最大影响值的候选节点作为最大影响力种子节点。

技术领域

本发明属于网络数据分析技术领域，具体涉及基于地理区域的社交网络中最大影响力节点的选取方法。

背景技术

随着科技的发展，网络应用的普及，信息可以更加快速直接的进行传播与共享，越来越多的个人和公司使用社交网络来促进他们的业务，社交网络有许多研究应用，如链接预测、谣言控制、影响最大化等。影响力最大化作为信息扩散研究的一个关键计算问题，由于其潜在的商业价值，近年来得到了广泛的研究，特别在病毒式营销等社交网络中是一个非常重要的应用，其目标是找到一组用户，使影响用户集最大化。

虽然现有的影响力最大化传播问题研究成果中，满足了许多实际情况，但它忽略了位置信息在影响传播中可以发挥重要作用这一事实，比如在销售商品时，不仅需要线上宣传，在线下也会有各式的销售活动，位置信息对于选择合适的销售员来说是一个非常重要的因素。基于地理区域在社交网络中影响力最大的节点集选取问题，目前还未见有文献公开其解决方法。

发明内容

本发明针对地理区域影响下社交网络选点问题，将大型社交网络结构与地理信息相结合，采用四叉树索引与最大影响力树结构相结合的算法，选取查询区域内影响力最大的节点集，本发明可以高效选取出地理区域中影响力最大的种子节点集合。其中，使用四叉树索引结构来存储网络节点的位置信息，并使用深度优先搜索方法来识别给定查询区域中的候选对象；使用最大影响树状结构(maximum influence arborescence，MIA)计算每个候选节点的影响集并运行动态规划算法计算所有候选节点的影响力；再根据排序迭代弹出最大堆中具有最大影响值的候选节点作为最大影响力种子节点。本发明流程如下：

1.构建社交网络图G(N_set,E)，其中N_set表示社交网络中的节点的集合，节点v(x,y)有经纬度两个位置参数，E表示网络中节点边的集合。

2.对节点间的传播概率进行初始化，设定查询区域Q＝(R，k)，然后选用独立级联传播模型(ICM)进行传播；传播过程中节点尝试激活邻居节点时，无论是否激活，接下来的传播过程中，都不会对相同节点再次激活，设定线性系数α(v,u)。

3.根据给定社交网络中节点的位置信息构建四叉树，并利用四叉树搜索给定区域中的节点集。其中R是四叉树单元格内位置的最小边界矩形，R＝[(x,y),(xlim,ylim)]，更准确地说，x和y分别是R边界中心的经度和纬度，xlim和ylim分别是R的长度和宽度的一半。此外，四叉树具有一个单元容量c，该容量限制了每个单元中的最大节点数。插入后一个单元包含多于c个节点时，该单元将根据其MBR的象限分为四个单元，最终汇总四个单元的节点集为所求点集。

4.在单元格中，采用最大影响树结构MIA计算每个节点的的影响力。在MIA中，节点u只通过最大影响路径激活节点v，会有很多路径，其中一条路径定义为：

P＝＜u＝w₁,w₂,w₃,...,w_m＝v＞。

其路径的传播概率定义为：

节点v在MIA结构中具有两个最大影响路径，分别是输入最大影响树MIIA(v,θ)和输出最大影响树MIOA(v,θ)。