一种基于影响力指标的广告营销有效用户识别方法技术

本发明专利技术公开了一种基于影响力指标的广告营销有效用户识别方法，该方法利用重叠社团检测方法得到的重叠社团结构信息，设计基于局部

【技术实现步骤摘要】
一种基于影响力指标的广告营销有效用户识别方法


[0001]本专利技术涉及社交网络领域，具体的说是一种基于影响力指标的广告营销有效用户识别方法，利用局部邻居信息和全局重叠社团结构信息挖掘社交网络中有影响力的用户作为广告营销的有效用户。

技术介绍

[0002]随着互联网技术的快速发展，社交平台给人们提供越来越多交流的机会和途径，使得信息传播突破了时间和空间上的限制。目前，在带预算的社交网络影响力最大化问题方面，大部分研究工作对于节点影响力的评估只侧重于节点的局部信息。在实际的社交中，往往有影响力的用户不仅对熟悉的用户有影响，甚至深深地影响着陌生的用户，例如，一些明星和微博大V，他们不仅影响着自己熟悉的用户，更对普通的用户产生很大的影响力。为了能够更好地评估用户的影响力，不仅要考虑局部的邻居信息，还要考虑用户在全局社团结构上的信息。因此，提出了一种基于局部
‑
全局社交网络影响力指标的广告营销有效用户识别方法。
[0003]目前社交网络中带预算的影响力最大化方法主要分为以下两类：
[0004]第一类：保证解的质量。只追求解的质量，不刻意考虑执行时间的问题。目前常见的方法是利用贪心思想来寻找社交网络中的种子节点，直到超过预算为止。但利用贪心思想的方法时间消耗大，难以适用于实际的大规模社交网络。
[0005]第二类：追求执行速度，难以保证解的质量。目前常见的算法是利用启发式方法来解决，由于没有很好的优化策略以及只考虑了局部的邻居信息，而没有在全局上考虑节点的影响力，所以不能很好地评估节点的影响力，也就难以找出有影响力的用户。

技术实现思路

[0006]本专利技术针对现有技术中的一些不足，提供一种基于影响力指标的广告营销有效用户识别方法，既可以保证寻找到优秀的解，又能满足对于时间复杂度的要求。主要是利用局部邻居信息和全局重叠社团结构信息来挖掘社交网络中有利于广告营销的初始用户，通过有效的变异策略、交叉策略以及修复策略，给决策者提供满足预算约束的最优方案选择，从而满足解决实际问题的需要。
[0007]为解决上述技术问题，本专利技术采用如下技术方案：
[0008]一种基于影响力指标的广告营销有效用户识别方法，其特征在于按如下步骤进行：
[0009]定义网络表征为G(V，E)，V＝{v1，v2，
…
，v
i
，
…
，v
n
}表示社交网络中的用户，v
i
表示第i个用户；n为网络中用户的总数；E＝{e
ij
|i＝1,2，
…
，n；j＝1，2，
…
，n}表示任意两个用户之间存在联系；e
ij
表示第i个节点v
i
与第j个节点v
j
之间是否存在边；若e
ij
＝1，表示第i个节点v
i
与第j个节点v
j
之间有边相连，则第i个节点v
i
与第j个节点v
j
互为邻居节点；若e
ij
＝0，表示第i个节点v
i
与第j个节点v
j
之间无边相连，即不存在联系；
[0010]步骤1、重叠社团结构检测
[0011]利用重叠社团检测算法对社交网络进行预处理，得到网络的重叠社团结构；
[0012]步骤2、个体编码
[0013]对于社交网络，按照二进制编码，以网络中节点数量为长度，用二进制数组成一个个体X＝{x1，x2，
…
，x
n
}，x
j
表示节点j是否被选择为种子节点，n表示社交网络中节点数量；
[0014]步骤3、基于局部
‑
全局影响力指标的设计
[0015]步骤3.1、局部影响力设计
[0016]局部影响力是考虑局部的邻居信息去度量节点的影响力，包括一跳邻居和两跳邻居。
[0017]步骤3.1.1、一跳影响力：
[0018]I
one
(u)＝∑
v∈N(u)
p
uv
ꢀꢀꢀ
(1)
[0019]式(1)中，N(u)表示节点u的邻居节点集合，p
uv
表示节点u影响节点v的概率。
[0020]步骤3.1.2、两跳影响力：
[0021]I
two
(u)＝∑
v∈N(u)
p
uv
·
∑
k∈N(v)\u
p
vk
ꢀꢀꢀ
(2)
[0022]步骤3.1.3、计算局部影响力：
[0023]I
l
(u)＝I
one
(u)+I
two
(u)
ꢀꢀꢀ
(3)
[0024]步骤3.2、全局影响力设计
[0025]全局影响力是考虑重叠社团结构信息去度量节点在全局上的影响力，包括在社团内的影响力和对邻居社团的影响力。
[0026]步骤3.2.1、在社团内的影响力：
[0027][0028]式(4)中，BC(u)表示包含节点u的社团，|C
i
|表示社团C
i
的规模，D(u，C
i
)表示节点u与社团C
i
内其它节点之间的平均最短距离。下面给出平均最短距离的计算公式。
[0029][0030]式(5)中，C
i
\u表示社团C
i
内除了节点u之外的其它所有节点的集合，d
min
(u，v)表示节点u与节点v之间的最短距离。
[0031]步骤3.2.2、对邻居社团的影响力：
[0032][0033]式(6)中，NC(u)表示节点的邻居社团集合，density表示社团内部连接的密度。下面给出社团密度的计算公式。
[0034][0035]步骤3.2.3、计算全局影响力：
[0036]I
g
(u)＝I
intra
(u)+I
inter
(u)
ꢀꢀꢀ
(8)
[0037]步骤3.3、节点最终影响力：
[0038]I(u)＝λ
·
I
l
(u)+(1
‑
λ)
·
I
g
(u)
ꢀꢀꢀ
(9)
[0039]式(9)中，λ是一个权衡参数，用来控制局部邻居信息和全局社团信息的相对重要
性。
[0040]步骤4、种群初始化
[0041]步骤4.1、定义种群规模为pop，总预算b，初始迭代次数gen＝0。
[0042]步骤4.2、用预算与社交网络规模之比定义一个自适应概率：Random＝b/n。
...

【技术保护点】

【技术特征摘要】
1.一种基于影响力指标的广告营销有效用户识别方法，其特征在于，按如下步骤进行：定义网络表征为G(V，E)，V＝{v1，v2，...，v
i
，...，v
n
}表示社交网络中的用户，v
i
表示第i个用户；n为网络中用户的总数；E＝{e
ij
|i＝1，2，...，n；j＝1，2，...，n}表示任意两个用户之间存在联系；e
ij
表示第i个节点v
i
与第j个节点v
j
之间是否存在边；若e
ij
＝1，表示第i个节点v
i
与第j个节点v
j
之间有边相连，则第i个节点v
i
与第j个节点v
j
互为邻居节点；若e
ij
＝0，表示第i个节点v
i
与第j个节点v
j
之间无边相连，即不存在联系；步骤1、重叠社团结构检测利用重叠社团检测算法对社交网络进行预处理，得到网络的重叠社团结构；步骤2、个体编码对于社交网络，按照二进制编码，以网络中节点数量为长度，用二进制数组成一个个体X＝{x1，x2，...，x
n
}，x
j
表示节点j是否被选择为种子节点，n表示社交网络中节点数量；步骤3、基于局部
‑
全局影响力指标的设计步骤3.1、局部影响力设计局部影响力是考虑局部的邻居信息去度量节点的影响力，包括一跳邻居和两跳邻居：步骤3.1.1、一跳影响力：I
one
(u)＝∑
v∈N(u)
p
uv
ꢀꢀꢀ
(1)式(1)中，N(u)表示节点u的邻居节点集合，p
uv
表示节点u影响节点v的概率；步骤3.1.2、两跳影响力：I
two
(u)＝∑
v∈N(u)
p
uv
·
∑
k∈N(v)\u
p
vk
ꢀꢀ
(2)步骤3.1.3、计算局部影响力：I
l
(u)＝I
one
(u)+I
two
(u)
ꢀꢀꢀꢀ
(3)步骤3.2、全局影响力设计全局影响力是考虑重叠社团结构信息去度量节点在全局上的影响力，包括在社团内的影响力和对邻居社团的影响力：步骤3.2.1、在社团内的影响力：式(4)中，BC(u)表示包含节点u的社团，|C
i
|表示社团C
i
的规模，D(u，C
i
)表示节点u与社团C
i
内其它节点之间的平均最短距离；下面给出平均最短距离的计算公式：式(5)中，C
i
\u表示社团C
i
内除了节点u之外的其它所有节点的集合，d
min
(u，v)表示节点u与节点v之间的最短距离；步骤3.2.2、对邻居社团的影响力：式(6)中，NC(u)表示节点的邻居社团集合，density表示社团内部连接的密度；下面给出社团密度的计算公式：步骤3.2.3、计算全局影响力：
I
g
(u)＝I
intra
(u)+I
inter
(u)
ꢀꢀꢀ
(8)步骤3.3、节点最终影响力：I(u)＝λ
·
I
l
(u)+(1
‑
λ)
·
I
g
(u)
ꢀꢀꢀꢀ
(9)式(9)中，λ是一个权衡参数，用来控制局部邻居信息和全局社团信息的相对重要性；步骤4、种群初始化步骤4.1、定义种群规模为pop，总预算b，初始迭代次数gen＝0；步骤4.2、用预算与社交网络规模之比定义一个自适应概率：Random＝b/n；步骤4.3、对个体X
i
每一个基因位随机产生[0，1)的随机数r，遍历每一个基因位；步骤4.4、若随机数r＜Random，则相应基因位置为1；否则，置为0；步骤4.5、重复执行步骤4.4直到得到pop个个体{X1，X2，...，X
i
，...，X
pop
}，构成初始种群P＝{X1，X2，...，X
i
，...，X
pop
}；步骤5、种群进化步骤5.1、定义最大迭代次数为...

【专利技术属性】
技术研发人员：张磊，刘玉童，程凡，邱剑锋，张兴义，
申请(专利权)人：安徽大学，
类型：发明
国别省市：