[发明专利]基于深度自编码器的复杂网络节点影响力最大化方法

摘要

本发明公开了一种基于深度自编码器的复杂网络节点影响力最大化方法，解决了复杂网络影响力最大化问题。其实现步骤为：构建复杂网络数据；确定复杂网络各节点的初始影响力；估计两层范围内影响力传播值；构建复杂网络影响力近似矩阵；构建编解码模型；训练编解码模型，优化编解码模型的目标函数，得到复杂网络各节点的影响力特征；选择复杂网络的影响力节点集合；不同于其他技术贪心地选择节点，本发明使用深度自动编码器通过无监督的方法，能够有效地挖掘出复杂网络节点的深层影响力特征，并找到具有潜在影响力的节点集合，所选择的节点能够引起大范围的影响力传播。本发明可应用于真实世界中的各类复杂网络。

主权项

1.一种基于深度自编码器的复杂网络节点影响力最大化方法，其特征在于，包括有如下步骤：(1)构建复杂网络数据：将真实世界的复杂网络抽象成拓扑图G＝(V,E)，其中，G表示一个拓扑图，V＝{v1,v2,…,v|V|}表示网络中节点的集合，|V|表示网络中的节点数目，E＝{eij|vi,vj∈E}表示网络中边的集合；(2)确定复杂网络各节点的初始影响力：使用权重级联传播模型定义拓扑图G各节点的初始影响力；(3)估计两层范围内影响力传播值：在权重级联传播模型下，应用LIE方程得到拓扑图G复杂网络中各节点的两层范围内影响力传播范围估计值，两层范围内影响力传播估计值由初始激活节点数σ0(S)，第一层影响力估计值σ1(S)，第二层影响力估计值σ2(S)之和构成；(4)构建复杂网络影响力近似矩阵：根据拓扑图G复杂网络中各节点的两层范围内影响力传播范围估计值，构建影响力近似矩阵M：M＝[mij]|V|×|V|其中，mij为复杂网络中单个节点的两层影响力传播范围估计值，S＝{vi∪vj|vi,vj∈V}，M为|V|×|V|大小的矩阵；(5)构建编解码模型：编解码模型由编码器和解码器构成，具有层次结构，每一层是由多个神经元构成，各个层之间的神经元相互连接，解码器和编码器为全连接对称结构，并定义编解码模型的目标函数，经过逐层贪心训练，训练完成后，编码器的最后一层神经元和解码器的第一层神经元视为复杂网络的影响力特征；(6)训练编解码模型，优化编解码模型的目标函数，得到复杂网络各节点的影响力特征：将影响力近似矩阵输入到编解码模型中，使用Adadelta算法优化编解码模型的目标函数，使得影响力近似矩阵中的每一个元素xi与经过解码器解码的xi′的差距尽量小，最终得到一个n×m的网络影响力特征矩阵，n表示网络中的节点个数，m表示单个节点的影响力特征维数；(7)选取拓扑图G复杂网络的影响力节点集合：从m维特征中，根据其数值大小，选择复杂网络中最具有影响力的前k个节点，该前k个节点集合使得在权重级联传播模型下，网络的影响力传播范围达到最大，完成基于深度自编码器的复杂网络节点影响力最大化。