[发明专利]一种基于随机生长的社交网络关键转发者检测方法

说明书

本发明提供了一种基于随机生长的社交网络关键转发者检测方法，首先利用源数据集的各个特征的值计算得到的重要性评分排序，抽取出前A的数据构成初始数据集，得到转发级联；然后通过转发级联，从源数据集中选取数据补充进入初始数据集，形成整体转发级联；再将整体转发级联进行随机生长产生随机生长数据集，随机生长数据集和初始数据集合成为新的中间数据集，形成增广转发级联；最后在随机生长数据集的基础上再次进行随机生长的操作，生成最终数据集；将最终数据集投入图卷积神经网络模型进行训练，得到用于检测社交网络中关键转发者的模型。本发明减少了训练模型的开销，提高了模型效率，为社交网络关键转发者的检测提供了有力的支持。

技术领域

本发明涉及社交网络中关键转发者的检测方法，特别是一种基于随机生长的社交网络关键转发者检测方法。

背景技术

随着社会和科学技术的不断发展，互联网的普及，人与人之间的关系也越来越复杂，各种各样的社交平台层出不穷，这些基于互联网的社交平台已经渗透到人们生活的各个方面，每天人们都会在这些社交平台上阅览和转发数百条消息，在消息转发的过程中，那些影响力更大的转发者对这个过程具有绝对影响力，因此，识别消息传播过程中的关键转发者，并预测关键转发者对公众情绪，平台舆论趋势等产生的影响，在娱乐和商业推广等诸多领域均有着重要的意义。在研究某一具体事件的用户影响力时，现有的文献主要集中在使用底层网络拓扑的知识来识别社交网络中有影响力的用户，这就需要完整的网络拓扑信息，而对于大规模的社交网络来说，获取这些信息通常是困难和昂贵的，并且效率也不高。

发明内容

为了克服现有的社交网络检测关键转发者方法存在的开销大和效率低的不足，本发明提供了一种基于随机生长的社交网络关键转发者检测方法，能够高效率且低成本地对社交网络中潜在的关键转发者进行检测，从而合理有效地解决了现有检测方法效率低成本高的问题。

该方法首先将源数据集的各个特征的值按照AHP公式(层次分析法，可以将复杂问题中的各种因素通过划分重要性、两两比较的方法，对因素的重要性进行定量分析) 计算得到的重要性评分排序，从中按比例抽取出前A的数据构成初始数据集，得到他们的转发级联；然后通过转发级联，从源数据集中选取数据补充进入初始数据集，使原本分散的转发级联重新联系在一起，形成一个整体转发级联；然后根据源数据集，将整体转发级联进行随机生长产生随机生长数据集，随机生长数据集和初始数据集合成为新的中间数据集，形成增广转发级联，新的中间数据集中初始数据集和随机生长数据集的占比为B，打乱随机生长数据集；最后在随机生长数据集的基础上，再次进行随机生长的操作，生成最终数据集，使得初始数据集和随机生长数据集的占比为C；然后将最终数据集投入图卷积神经网络模型进行训练，得到了用于检测社交网络中关键转发者的模型。本发明的方法大大减少了训练模型的开销，提高了模型效率，为社交网络关键转发者的检测提供了有力的支持，从而为网络信息建设提供了智能化的辅助。

本发明的技术方案为：

所述一种基于随机生长的社交网络关键转发者检测方法，包括以下步骤：

步骤1：设置数据集标签：

从社交平台上获取源数据集R，所述源数据的特征参数包括推文特征和推文作者特征；

计算源数据中每条推文的重要性评分GII：

其中MII_j为推文作者u_i发布的推文v_j的影响力，计算公式如下：

MII_j＝UII*TII_j

其中UII表示根据推文作者的特征计算得到的影响力，TII_j表示根据推文的特征计算得到的影响力；

步骤2：构建级联；