[发明专利]社会网中基于主题兴趣的影响最大化方法

摘要

社会网中基于主题兴趣的影响最大化方法，本发明涉及主题兴趣的影响最大化方法。本发明的目的是为了解决现有IC模型没有考虑传播项的特征，假定对所有传播项目的影响概率都是相同的；以及现有TIC模型没有考虑到用户的兴趣分布，不能准确地描述信息传播规律，导致信息传播预测准确率低的问题。本发明过程为：步骤一、建立基于主题兴趣的传播模型TI‑IC；步骤二、利用EM算法学习TI‑IC模型的参数和新传播项的主题分布向量；步骤三、基于步骤二提出针对TI‑IC模型的影响最大化算法。本发明用于社交网的影响最大化问题领域。

主权项

1.社会网中基于主题兴趣的影响最大化方法，其特征在于：所述方法具体过程为：步骤一、建立基于主题兴趣的传播模型TI‑IC；给定一个社会网有向图G＝(V,E)，一组用户的历史动作日志D(u,i,t)，对于每个主题z∈[1,Z]，每个传播项i都有一个主题分量每个用户结点u都有一个兴趣分量因此每个传播项i存在主题分布向量每个用户结点u存在不同主题上的兴趣分布向量i∈[1,I]；其中V为用户集合，E为关系集合；Z为主题总个数，取值为正整数；I为传播项总个数，取值为正整数；D中u属于G中的用户集合V；每个结点仅有一次机会由不活跃状态变为活跃状态，并且该过程不可逆；S表示种集，即初始的活跃用户集合，在t＝0时刻，S中的结点在传播项i上活跃；在t≥1时刻，如果用户结点u的任何邻居结点w在时刻t‑1变为活跃状态，则w都有一次机会去激活邻居用户结点u，激活的概率为当用户结点u的邻居结点活跃的条件下，用户结点u被激活的概率如下所示：其中，表示在传播项i的传播过程中，在用户结点u之前已经活跃的邻居结点集合，即Δ为时延阈值；N取值为正整数；ti(w)为结点w在传播项i上活跃的时刻，ti(u)为用户结点u在传播项i上活跃的时刻；ti(u)＝∞，代表每个用户结点u不会接受传播项i；令表示传播项i在传播过程中，一定不会影响u的邻居集合；当点用户结点u的任何邻居结点w在传播项i上一定活跃，用户结点u在传播项i上活跃或不活跃；所述TI‑IC为主题‑兴趣的传播模型；步骤二、利用EM算法学习TI‑IC模型的参数和新传播项的主题分布向量；EM算法的输入是：社会网有向图G＝(V,E)，用户历史动作日志D(u,i,t)；假设TI‑IC模型的每个传播项的传播轨迹都是独立的，则给定TI‑IC传播模型参数Θ的对数似然函数，表示为：其中，L(Θ；Di)表示传播项i的传播轨迹的似然函数；传播项i的传播轨迹D_i在第z个主题分量上的似然函数定义为：其中，表示传播项i的传播过程中，主题z使结点u被激活的概率，表示传播项i的传播过程中，主题z没有影响结点u的概率：φ为空集；利用EM算法学习TI‑IC模型的参数，得到EM学习算法的输出，即TI‑IC传播模型参数Θ，Θ包括和当新的传播项i出现时，求解新传播项i的主题分布向量步骤三、基于步骤二提出针对TI‑IC模型的影响最大化算法。