基于稀疏进化算法的社交网络关键成员检测方法技术

本发明专利技术公开了一种基于稀疏进化算法的社交网络关键成员检测方法，其特征包括以下步骤，步骤1、构建目标函数；步骤2、计算社交网络中所有成员的得分并初始化状态种群；步骤3、根据所设计的遗传算子将状态种群中的状态作为父代并产生新的状态后加入子代状态种群中；步骤4、将子代状态种群与前一代状态种群合并，并进行删除重复状态、非支配排序、计算成员间拥挤距离等操作，再逆序选择与原状态种群相同数量的状态作为新的状态种群，直到得到一组由关键成员和非关键成员组成的社交网络。本发明专利技术能在大型复杂社交网络中减少识别关键成员的时间、提高识别关键成员的准确度。提高识别关键成员的准确度。提高识别关键成员的准确度。

【技术实现步骤摘要】
基于稀疏进化算法的社交网络关键成员检测方法


[0001]本专利技术属于社交网络关键成员检测领域，具体的说是一种基于稀疏进化算法的社交网络关键成员检测方法。

技术介绍

[0002]社交网络是由许多个人或者组织等节点构成的一种社会结构，代表着各种社会关系。社交网络有着迅捷性、蔓延性、平等性与自组织性等四大特点。正因为这些特性，这种网络对现实社会的方方面面产生着影响。从成员分类的角度来看，识别在社交网络中具有较高声誉和影响力的成员，在设计营销策略时是非常重要的。定位一种产品，如果该战略适针对当地社区中最有影响力和公认的成员，就可能对社会产生巨大的影响。但是，如果一些舆论等信息也借助社交网络的特点迅速传播并且往往产生不可控的后果。因此，如何在大规模复杂社会网络中识别关键成员变得尤为重要。
[0003]目前，针对社交网络关键成员检测方法主要有精确方法和近似方法。精确方法利用整数线性规划提出可求解社交网络关键成员的数学公式，利用数学公式求解。这种方法在社交网络的规模太大或者复杂度太高时会消耗很大的计算量，导致方法无效。近似方法包含贪心算法和进化算法。贪心算法是为了在合理的时间内找出关键站点所提出的，所选择的关键成员总是当前看来最好的选择，但是，这样无法从整体最优上加以考虑。进化算法是目前比较流行的方法，在解决大型社交网络方面比前两种的效果都好。但是，在一个巨大的社交网络中关键成员的数目是比较少的，也就是说关键成员具有稀疏性，目前的进化算法并没有考虑这种情况，致使识别关键成员所消耗的时间增加，并且识别的准确性也会降低。r/>
技术实现思路

[0004]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于稀疏进化算法的社交网络关键成员检测方法，以期能在大型复杂社交网络中减少识别关键成员的时间、提高识别关键成员准确度，从而为构造关键成员信息的社交网络奠定基础。
[0005]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0006]本专利技术一种基于稀疏进化算法的社交网络关键成员检测方法的特点是应用于由D个成员和|E|条关系链路所构成的社交网络G中，将社交网络G中所有成员是否为关键成员的状态集合记为S＝{s1,s2,...,s
i
,...,s
N
}，s
i
表示社交网络G中所有成员是否为关键成员的第i种状态， N表示所有成员的状态的总数，每种状态由关键成员和非关键成员组成；且s
i
＝{v
i1
,v
i2
,...,v
ij
,....,v
iD
}，v
ij
表示第i种状态s
i
下第j个成员v
j
是否为关键成员，若v
ij
＝1，表示第i种状态s
i
下第j个成员v
j
是关键成员，若v
ij
＝0表示第i种状态s
i
下第j个成员v
j
不是关键成员，1≤j≤D；将第r个成员v
r
和第h个成员v
h
之间是否有关系链路记为e
rh
，关系链路是指成员v
r
和成员v
h
的直接关系或间接关系；若e
rh
＝1，表示第r个成员v
r
和第h个成员v
h
之间有直接关系或者间接关系；若e
rh
＝0，表示第r个成员v
r
和第h个成员v
h
之间没有直接
关系或者间接关系，所述社交网络关键成员检测方法是按如下步骤进行：
[0007]步骤一、构建目标函数：
[0008]步骤1.1、利用式(1)构建关键成员个数的函数COST：
[0009]COST＝|v
ij
＝1| (1)
[0010]式(1)中，|v
ij
＝1|表示社交网络G中关键成员的个数；
[0011]步骤1.2、利用式(2)构建关于社交网络G上通过关系链路连接的不同成员对数量的函数 PWC：
[0012][0013]式(2)中，V'表示社交网络G中除了关键成员之外所有成员的集合；
[0014]步骤1.3、利用式(3)构建总目标函数f：
[0015]f＝min(COST,PWC)
ꢀꢀ
(3)
[0016]步骤二、计算社交网络中所有成员的得分并初始化状态种群；
[0017]步骤2.1、计算社交网络中所有成员的得分：
[0018]步骤2.1.1、设状态种群Q的状态有N种，定义状态种群记为Q＝{Q1,Q2,...,Q
i
,...Q
N
}，Q
i
表示社交网络G中的第i种状态，令社交网络G中状态的数量N与成员的数量D相同；由状态种群Q中所有成员的状态构成一个D
×
D的矩阵；
[0019]步骤2.1.2、将D
×
D的矩阵的对角元素设置为1，其余元素设置为0；
[0020]步骤2.1.3、根据总目标函数f对状态种群Q中的每种状态进行非支配排序，并将第i种状态的非支配前沿数作为第i个成员的得分SCORE
i
；
[0021]步骤2.2、初始化状态种群：
[0022]步骤2.2.1、设状态种群P的状态有N种，定义状态种群记为P＝{p1,p2,...,p
i
,...p
N
}，p
i
表示社交网络G中的第i种状态；将状态种群P中所有状态都设置为0向量；
[0023]步骤2.2.2、初始化i＝1；
[0024]步骤2.2.3、定义变量z并初始化z＝1；
[0025]步骤2.2.4、从社交网络G中第z次随机选择两个成员v
r
和成员v
h
，并判断成员v
r
的得分SCORE
r
是否小于成员v
h
的得分SCORE
h
，若是，则将第i个状态中的成员v
r
设置为关键成员；否则，将第i个状态中的成员v
h
设置为关键成员；
[0026]步骤2.2.5、令z+1赋值给z，重复若干次步骤2.2.4，得到最终的第i个状态p
i
并作为状态种群P的第i个初始状态；
[0027]步骤2.2.6、令i+1赋值给i，判断i＞N是否成立，若成立，则表示获得状态种群P的N个初始状态；否则，返回步骤2.2.3顺序执行；
[0028]步骤三、根据所设计的遗传算子将状态种群P中的状态作为父代并产生新的状态后加入子代状态种群中；
[0029]步骤3.1、初始化参数：
[0030]定义并初始化当前评价次数t＝1，最大评价次数为t
max...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏进化算法的社交网络关键成员检测方法，其特征是应用于由D个成员和|E|条关系链路所构成的社交网络G中，将社交网络G中所有成员是否为关键成员的状态集合记为S＝{s1,s2,...,s
i
,...,s
N
}，s
i
表示社交网络G中所有成员是否为关键成员的第i种状态，N表示所有成员的状态的总数，每种状态由关键成员和非关键成员组成；且s
i
＝{v
i1
,v
i2
,...,v
ij
,....,v
iD
}，v
ij
表示第i种状态s
i
下第j个成员v
j
是否为关键成员，若v
ij
＝1，表示第i种状态s
i
下第j个成员v
j
是关键成员，若v
ij
＝0表示第i种状态s
i
下第j个成员v
j
不是关键成员，1≤j≤D；将第r个成员v
r
和第h个成员v
h
之间是否有关系链路记为e
rh
，关系链路是指成员v
r
和成员v
h
的直接关系或间接关系；若e
rh
＝1，表示第r个成员v
r
和第h个成员v
h
之间有直接关系或者间接关系；若e
rh
＝0，表示第r个成员v
r
和第h个成员v
h
之间没有直接关系或者间接关系，所述社交网络关键成员检测方法是按如下步骤进行：步骤一、构建目标函数：步骤1.1、利用式(1)构建关键成员个数的函数COST：COST＝|v
ij
＝1|
ꢀꢀꢀꢀ
(1)式(1)中，|v
ij
＝1|表示社交网络G中关键成员的个数；步骤1.2、利用式(2)构建关于社交网络G上通过关系链路连接的不同成员对数量的函数PWC：式(2)中，V'表示社交网络G中除了关键成员之外所有成员的集合；步骤1.3、利用式(3)构建总目标函数f：f＝min(COST,PWC)
ꢀꢀꢀꢀ
(3)步骤二、计算社交网络中所有成员的得分并初始化状态种群；步骤2.1、计算社交网络中所有成员的得分：步骤2.1.1、设状态种群Q的状态有N种，定义状态种群记为Q＝{Q1,Q2,...,Q
i
,...Q
N
}，Q
i
表示社交网络G中的第i种状态，令社交网络G中状态的数量N与成员的数量D相同；由状态种群Q中所有成员的状态构成一个D
×
D的矩阵；步骤2.1.2、将D
×
D的矩阵的对角元素设置为1，其余元素设置为0；步骤2.1.3、根据总目标函数f对状态种群Q中的每种状态进行非支配排序，并将第i种状态的非支配前沿数作为第i个成员的得分SCORE
i
；步骤2.2、初始化状态种群：步骤2.2.1、设状态种群P的状态有N种，定义状态种群记为P＝{p1,p2,...,p
i
,...p
N
}，p
i
表示社交网络G中的第i种状态；将状态种群P中所有状态都设置为0向量；步骤2.2.2、初始化i＝1；步骤2.2.3、定义变量z并初始化z＝1；步骤2.2.4、从社交网络G中第z次随机选择两个成员v
r
和成员v
h
，并判断成员v
r
的得分SCORE
r
是否小于成员v
h
的得分SCORE
h
，若是，则将第i个状态中的成员v
r
设置为关键成员；否则，将第i个状态中的成员v
h
设置为关键成员；步骤2.2.5、令z+1赋值给z，重复若干次步骤2.2.4，得到最终的第i个状态p
i
并作为状态种群P的第i个初始状态；
步骤2.2.6、令i+1赋值给i，判断i＞N是否成立，若成立，则表示获得状态种群P的N个初始状态；否则，返回步骤2.2.3顺序执行；步骤三、根据所设计的遗传算子将状态种群P中的状态作为父代并产生新的状态后加入子代状态种群中；步骤3.1、初始化参数：定义并初始化当前评价次数t＝1，最大评价次数为t
max
；令第t代子代状态种群R
t
为空集；以状态种群P的N个初始状态作为第t代状态种群P
t
；步骤3.2、根据总目标函数f对第t代状态种群...

【专利技术属性】
技术研发人员：田野，陈豪文，张亚杰，张兴义，
申请(专利权)人：安徽大学，
类型：发明
国别省市：