[發明專利]基于單目標優化的社交影響力計算方法及裝置

在審

• 申請號: 201711484187.7
• 申請日: 2017-12-29
• 公開（公告）號: CN108197694A
• 公開（公告）日: 2018-06-22
• 發明（設計）人: 崔來中;胡懷雄;陸楠
• 申請（專利權）人: 深圳大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06Q50/00
• 代理公司: 深圳市恒申知識產權事務所(普通合伙) 44312
• 代理人: 王利彬

1.一種基于單目標優化的社交影響力計算方法，其特征在于，包括：

步驟S1，對社交網絡利用DDS算法進行初始化操作，得到初始化后的種群X；

其中，所述種群X包括N個個體，每個個體為包括K個節點的集合，每個節點代表一個用戶；

步驟S2，對初始化后的所述種群X利用DDS算法進行變異操作，得到變異后的種群X(mutation)；

步驟S3，對初始化后的所述種群X和變異后的所述種群X(mutation)利用DDS算法進行交叉操作，得到交叉后的種群X(crossover)；

步驟S4，利用EDV公式計算變異后的所述種群X(mutation)和交叉后的種群X(crossover)中每個個體的EDV值，并比較所述種群X(mutation)和種群X(crossover)中每個對應個體的EDV值，EDV值相對大的那個個體加入到代表被選中的種群X(selection)中；

步驟S5，利用被選中的種群X(selection)更新所述種群X，并返回步驟S2，直至更新次數達到預設次數，則得到最終更新后的種群X；

步驟S6，利用EDV公式對最終更新后的所述種群X中的每一個個體Xi計算EDV(Xi)值，其中EDV值最大的個體Xi中的節點就是社交影響力最大的K個用戶。

2.如權利要求1所述的社交影響力計算方法，其特征在于，所述步驟S1具體包括：

步驟S11，從按度降序排列后的社交網絡的節點中，選擇度最大的K個節點作為一個個體，如此重復N次，獲得N個個體；

步驟S12，對N個所述個體中的第i個個體的每個節點，產生一個隨機數r1，如果r1<div，則在區間[1,up-bound]產生一個隨機數r2，從按度降序排序后的社交網絡的節點中取第r2個節點替代當前節點，替代之前先做出判斷，如果第r2個節點已經在第i個個體中，則繼續產生新的r2，直到第r2個節點為新節點為止，利用所述新節點替代當前節點；如果r1≥div，則當前節點保持不變；對N個個體中的每個個體都執行一次這樣的操作，得到初始化后的種群X；

其中，1≤i≤N，up-bound為預先設置的一個邊界值，up-bound＝K*(i+5)；div為預先設置的一個用于控制多樣性的值。

3.如權利要求1所述的社交影響力計算方法，其特征在于，所述步驟S2具體包括：

步驟S21，對初始化后的種群X進行復制，得到種群X(mutation)；

步驟S22，對種群X(mutation)中的第i個個體的第j個節點Xij(mutation)，產生一個隨機數r1，如果r1<f，則在區間[1,up-bound]產生一個隨機數r2，從按度降序排序后的社交網絡的節點中取第r2個節點替代當前節點Xij(mutation)，替代之前先做出判斷，如果第r2個節點已經在第i個個體中，則繼續產生新的r2，直到第r2個節點為新節點為止，利用所述新節點替代當前節點Xij(mutation)；如果r1≥f，則當前節點Xij(mutation)保持不變；對N個個體中的每個個體中的每個節點都執行一次這樣的操作，得到變異后的種群X(mutation)；

其中，1≤i≤N，1≤j≤K，up-bound為預先設置的一個邊界值，up-bound＝K*(i+5)；f為預先設置的一個變異概率值。