[發(fā)明專利]一種基于高斯傳播模型的社交網(wǎng)絡(luò)影響力最大化方法

在審

• 申請?zhí)枺?/td>: 202110214712.3
• 申請日: 2021-02-25
• 公開（公告）號: CN112818245A
• 公開（公告）日: 2021-05-18
• 發(fā)明（設(shè)計(jì)）人: 李衛(wèi)民;李鄭;劉煒
• 申請（專利權(quán)）人: 上海大學(xué)
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06Q50/00
• 代理公司: 北京盛詢知識產(chǎn)權(quán)代理有限公司 11901
• 代理人: 方亞兵

本發(fā)明公開了一種基于高斯傳播模型的社交網(wǎng)絡(luò)影響力最大化方法，包括以下步驟：S1，在社交網(wǎng)絡(luò)中構(gòu)建三個(gè)維度；S2，基于三個(gè)維度和平衡函數(shù)分別計(jì)算出側(cè)向擴(kuò)散參數(shù)、豎向擴(kuò)散參數(shù)和節(jié)點(diǎn)影響動(dòng)態(tài)源強(qiáng)度；S3，基于計(jì)算結(jié)果構(gòu)建高斯傳播模型，S4，基于高斯傳播模型建立目標(biāo)函數(shù)，構(gòu)建改進(jìn)的CELF算法，根據(jù)目標(biāo)函數(shù)和改進(jìn)的CELF算法計(jì)算影響力。本發(fā)明提出了社交網(wǎng)絡(luò)下的高斯傳播模型，驗(yàn)證了高斯傳播模型下影響力最大化算法的效率和效果，并且證明了該算法的精準(zhǔn)度，本發(fā)明無論在效率和效益上均具有顯著的進(jìn)步。

技術(shù)領(lǐng)域

本發(fā)明涉及社交網(wǎng)絡(luò)領(lǐng)域，特別是涉及一種基于高斯傳播模型的社交網(wǎng)絡(luò)影響力最大化方法。

背景技術(shù)

近些年來社交網(wǎng)絡(luò)已經(jīng)成為現(xiàn)代社會(huì)不可或缺的一部分。人們在社交網(wǎng)絡(luò)和交流合作從而產(chǎn)生了大量的數(shù)據(jù)。這些數(shù)據(jù)促進(jìn)了學(xué)者們對影響力最大化問題開展了一系列研究。影響力最大化問題是社交網(wǎng)絡(luò)中一個(gè)基礎(chǔ)且關(guān)鍵的問題。在諸如新聞傳播、疾病爆發(fā)、市場營銷和謠言管控等實(shí)際應(yīng)用上都需要解決影響力最大化問題。例如對于市場營銷而言，能夠利用影響力最大化算法分析目標(biāo)社群從而讓推銷產(chǎn)品的信息能夠盡可能擴(kuò)散更大的范圍。對于謠言管控而言，也能夠用影響力最大化算法分析出那些人員是網(wǎng)絡(luò)中謠言影響力最大的個(gè)體，從而能夠?qū)ζ鋵?shí)施有效的管控。

最初的影響力最大化算法是基于貪心框架的。但是貪心算法由于需要花費(fèi)大量時(shí)間在蒙特卡洛模擬上使得該類算法無法在大型網(wǎng)絡(luò)上實(shí)施。鑒于貪心算法的缺陷眾多學(xué)者提出了啟發(fā)式算法。一些文獻(xiàn)重新建模了用戶之前的信息傳播模式，利用了諸如傳染病傳播的一些數(shù)學(xué)模型。為了解決傳統(tǒng)傳播模型無法解決的問題一些文獻(xiàn)提出新的傳播模型。為了解決貪心算法的低效率，一些文獻(xiàn)提出了有跳數(shù)限制的算法。這些算法解決了一些傳統(tǒng)算法無法解決的細(xì)分領(lǐng)域下的問題，但是還是受限于傳統(tǒng)算法的擴(kuò)展性問題。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于高斯傳播模型的社交網(wǎng)絡(luò)影響力最大化方法，以解決上述現(xiàn)有技術(shù)存在的問題，突破傳統(tǒng)影響力最大化算法的限制。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

本發(fā)明提供一種基于高斯傳播模型的社交網(wǎng)絡(luò)影響力最大化方法，包括以下步驟：

S1，在社交網(wǎng)絡(luò)中構(gòu)建三個(gè)維度，包括Motif維度、Degree維度和Offset維度；

S2，構(gòu)建平衡參數(shù)，基于所述Mofit維度計(jì)算側(cè)向擴(kuò)散參數(shù)、基于所述Degree維度計(jì)算豎向擴(kuò)散參數(shù)，基于所述Offset維度、所述Degree維度和所述平衡參數(shù)計(jì)算節(jié)點(diǎn)影響動(dòng)態(tài)源強(qiáng)度；

S3，基于所述側(cè)向擴(kuò)散參數(shù)、所述豎向擴(kuò)散參數(shù)和所述節(jié)點(diǎn)影響動(dòng)態(tài)源強(qiáng)度構(gòu)建高斯傳播模型；

S4，基于所述高斯傳播模型建立目標(biāo)函數(shù)，基于所述目標(biāo)函數(shù)計(jì)算能獲得最優(yōu)結(jié)果，構(gòu)建改進(jìn)的CELF算法，根據(jù)所述目標(biāo)函數(shù)和所述改進(jìn)的CELF算法計(jì)算影響力。

進(jìn)一步地，所述Motif維度用于表示節(jié)點(diǎn)在Motif維度的度量，所述Degree維度用于表示節(jié)點(diǎn)度，所述Offset維度用于表示節(jié)點(diǎn)間的偏移量。

進(jìn)一步地，所述S2中的平衡參數(shù)，用于平衡節(jié)點(diǎn)間的距離對于源強(qiáng)度的影響。

進(jìn)一步地，所述側(cè)向擴(kuò)散參數(shù)還基于平均聚集系數(shù)獲得，所述豎向擴(kuò)散參數(shù)還基于網(wǎng)絡(luò)直徑獲得。

進(jìn)一步地，所述平均聚集系數(shù)用于表示網(wǎng)絡(luò)的稠密程度，所述網(wǎng)絡(luò)直徑用于表示網(wǎng)絡(luò)規(guī)模。

進(jìn)一步地，高斯傳播模型的計(jì)算公式如下