[發明專利]一種基于PageRank的社交大數據信息最大化方法

在審

• 申請號: 201710122722.8
• 申請日: 2017-03-03
• 公開（公告）號: CN107123055A
• 公開（公告）日: 2017-09-01
• 發明（設計）人: 何克晶;陳書波
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q50/00
• 分類號: G06Q50/00
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 李斌

技術領域

本發明涉及一種信息最大化技術，特別涉及一種在既有友好關系又有敵對關系的社交網絡信息最大化的方法。

背景技術

隨著互聯網的發展和移動終端的普及，在線社交網絡得到飛速的發展與關注。社交網絡信息最大化的研究具有很實際的現實意義，利用社交大數據中的友好關系與特征來進行口碑營銷和“病毒式傳播”越來越成為研究的重點，它在市場營銷、廣告發布等方面有十分重要的應用。現有的社交網絡信息最大化技術主要是考慮了社交網絡中的友好關系，而沒有考慮到社交網絡中也存在敵對的關系，比如Epinions和Slashdot社交網絡中就有敵對關系。目前對社交網絡信息最大化的研究以及相關的影響傳播模型都是基于友好關系的，實際的應用中敵對的關系也可能對影響的傳播產生比較大的影響。

發明內容

本發明的目的在于克服現有技術的缺點與不足，提供一種基于PageRank的社交大數據信息最大化方法，分別提取社交大數據中的友好關系和敵對關系，再分別利用PageRank進行計算，然后整合每個節點的結果計算影響力進行排序選擇其中影響力最靠前K個節點作為種子節點來進行信息的傳播。有的社交網絡中不僅有友好關系，也有敵對關系，充分挖掘社交網絡的特性對信息的最大化有很重要的意義。

本發明的目的通過以下的技術方案實現：一種基于PageRank社交大數據信息最大化方法，具體包括如下步驟：

S1、預處理：提取社交網絡中的友好關系和敵對關系，并構成鄰接矩陣；

S2、對步驟S1中的鄰接矩陣中的友好關系和敵對關系分別用兩個矩陣表示來，得到友好鄰接矩陣和敵對鄰接矩陣；

S3、對步驟S2中得到的友好關系和敵對關系鄰接矩陣分別使用PageRank算法，計算得到相應的PR值；

S4、選出種子節點。

優選的，步驟S1中提取社交大數據中的友好關系和敵對關系：一般數據集中用戶的簽到數據是以文本方式給出，同時具有一些我們不需要的信息。首先進行預處理，根據所給出的社交網絡數據集的信息，對所有用戶之間的鄰接關系進行處理，其中1代表兩人之間的友好關系，-1代表兩人之間的敵對關系，0代表兩人之間沒有聯系來得到整個數據集的鄰接矩陣。

優選的，步驟S2中，對步驟S1中的鄰接矩陣分別提取里面的1和-1代表的友好關系和敵對關系代表的鄰接矩陣，其中敵對鄰接矩陣中的-1全部置為1。

優選的，步驟S3中PageRank算法：PageRank讓鏈接來"投票"，一個頁面的“得票數”由所有鏈向它的頁面的重要性來決定，到一個頁面的超鏈接相當于對該頁投一票；一個頁面的PageRank是由所有鏈向“鏈入頁面”的重要性經過遞歸算法得到的，一個有較多鏈入的頁面會有較高的等級，相反如果一個頁面沒有任何鏈入頁面，那么它沒有等級，這里用它來計算一個用戶節點的重要性。

優選的，步驟S3中利用PageRank算法，將每個節點的PR值初始設定為1，然后每個節點將自己的PR值平均貢獻給自己的鏈出節點，計算每個節點從它的鄰居節點獲得的貢獻值，不斷地迭代得到節點的最終的PR值。好友鄰接矩陣和敵對鄰接矩陣得到的值分別表示為PR⁺和PR^-，分別代表了節點在友好關系和敵對關系中的重要性。

優選的，步驟S4中，用節點在友好關系中的PR值與節點在敵對關系中的PR值之差表示節點的影響力，影響力＝PR⁺-PR^-；根據步驟S3得到的結果，對每個節點進行計算；然后對所有節點的影響力進行降序排序，選擇排在前面的K個節點作為種子節點去進行信息的擴散。

優選的，社交網絡在信息傳播過程中敵對關系的影響，若兩者之間是敵對關系，一個被激活后，對另一個會產生消極的影響。

優選的，PageRank算法來進行影響力的度量，借鑒了網頁投票的思想。

優選的，利用PageRank分別在好友鄰接矩陣和敵對鄰接矩陣中進行了應用，利用二者的差來度量影響力。

優選的，在模擬社交網絡中信息的傳播模型是改進的經典的投票模型，使其適用于既有友好關系又有敵對關系的在線社交網絡。

本發明相對于現有技術具有如下的優點及效果：

1、本發明實現了利用PageRank在社交網絡中信息最大化的啟發式方法，本方法主要是在研究社交網絡信息最大化的時候考慮了社交大數據中的敵對關系，充分利用社交大數據中的可用信息，利用了特殊社交網絡中的特點。