[发明专利]社交网络中重要节点排序方法、装置和计算机设备

说明书

本申请涉及一种社交网络中重要节点排序方法、装置和计算机设备。所述方法包括：从数据源获取社交网络；采用混合度分解算法对社交网络进行分解，得到每个节点的剩余邻居数和已移除邻居数；根据剩余邻居数和所述已移除邻居数，确定节点的混合度；获取社交网络中每个节点的网络约束系数，根据网络约束系数和所述混合度，构建排序算法，根据排序算法，计算每个节点的排序数值，根据排序数值的大小对社交网络中的节点进行排序。采用本方法能够消除类核结构影响。

技术领域

本申请涉及计算机技术领域，特别是涉及一种社交网络中重要节点排序方法、装置和计算机设备。

背景技术

随着计算机技术的发展，对于社交网络的分析有了更多的手段，一般而言，在进行社交网络分析时，会将社交网络看作一个节点网络，复杂社交网络对应一个复杂网络，重要节点是指相比网络其他节点而言，能够在更大程度上影响网络的结构与功能的一些特殊节点，重要节点一般数量非常少，但其影响却可以快速地波及到网络中大部分节点。

k-shell分解算法将网络节点分配到不同的壳层，壳值最高的节点被认为是网络中最有影响力的节点。通过该方法，网络逐渐趋于核心的区域，越中心的核，连通性越强。混合度分解算法是k-shell分解算法的一种改进，采用混合度分解算法可以很好地区分树形图以及BA网络中不同节点的传播能力，并且分层的层数大大增加(甚至可超过度中心性)，提高了节点传播能力的区分度，然而对于存在类核团结构的网络，混合度分解算法MDD同样会误认为类核团内的节点具有较高的节点重要性值，导致整个网络节点的重要性排序精度不够高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够解决存在类核团结构的网络中节点重要性排序精度不高问题的社交网络中重要节点排序方法、装置和计算机设备。

一种社交网络中重要节点排序方法，所述方法包括：

从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；

采用混合度分解算法对所述社交网络进行分解，得到每个节点的剩余邻居数和已移除邻居数；

根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度；

获取所述社交网络中每个节点的网络约束系数，根据所述网络约束系数和所述混合度，构建排序算法；其中，所述排序算法的值随着所述混合度的增大而增大，随着所述网络约束系数的增大而非线性减小；

根据所述排序算法，计算每个节点的排序数值，根据所述排序数值的大小对所述社交网络中的节点进行排序。

在其中一个实施例中，还包括：根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度，包括：

根据所述剩余邻居数和所述已移除邻居数，确定节点的混合度为：

其中，表示节点i的混合度，表示节点i的剩余邻居数，表示节点i的已移除邻居数，λ表示预设系数。

在其中一个实施例中，还包括：获取所述社交网络中每个节点的网络约束系数，根据所述网络约束系数和所述混合度，构建排序算法，包括：

获取所述社交网络中每个节点的网络约束系数为：

其中，C_i表示节点i的网络约束系数，p_ij表示节点i为维持与节点j的邻居关系所投入的精力占总精力的比例，p_iq和p_qj分别是节点i,j与共同邻居q维持关系投入的精力占其总精力的比例，其中，i到j有链接时z_ij＝1,，i到j之间没有链接时z_ij＝0；

根据所述网络约束系数和所述混合度，构建排序算法为：