一种不确定源的负影响力抑制最大化方法技术

本发明专利技术公开了一种不确定源的负影响力抑制最大化方法，根据Chernoff界构建对有向图G构建R个活边子图G

【技术实现步骤摘要】
一种不确定源的负影响力抑制最大化方法


[0001]本专利技术属于社会网络科学领域，特别是一种不确定源的负影响力抑制最大化方法。

技术介绍

[0002]随着社会网络的日益壮大，商家消费者身份的互相转换，影响力也成为每个人的关注点。具有新型商品或者需要推广的信息就会通过寻找具有影响力的传播者进行宣传。然而，一个行业中会存在多个商家在一起竞争。例如商家A和B在宣传同一类型的产品时，商家A为了扩大自己的影响力，可能会选择一些不利于商家B的舆论来打压商家B的产品，使得商家B的影响力没有商家A的大。此时，商家B就需要寻找一些利于自身的k个个体、群体或平台，抵消商家A所散播的不利影响，以此达到抑制负影响的目的。这就是负影响力最大化问题。传统的负影响力抑制最大化方法有基于竞争的方法和基于免疫的方法，使用的传播模型有基于独立级联的模型、基于线性阈值的模型等。然而，由于社交网络隐私性，不能够完全知道负影响散播的确切源头在哪里，只能知道他们的概率分布。
[0003]在计算机科学领域，基于互联网和大数据的影响力传播研究也从21世纪开始兴起。影响力传播的研究主要有三大支柱：第一是影响力传播的模型，主要描述影响力在社交网络中如何传播、有何特点和性质；第二是影响力传播的学习，即如何利用网络大数据挖掘学习影响力传播模式和具体传播模型的参数；第三是影响力传播优化，着重于考虑在不同的传播模型下，如何通过施加外部作用(比如选取有影响力的初始传播用户和改变传播途径等)来扩大希望传播的影响力或者控制和减弱不希望传播的影响力，也包括有效的监控影响力的传播等。
[0004]负影响力抑制最大化为给定负种子节点的集合，在网络中找到k个正种子节点并通过这k个种子最大限度地抑制整个网络中地负影响力。最初由Kempe等人提出的基于独立级联和线性阈值的两个基本模型并证明了这一问题是NP
‑
hard问题。几乎所有的研究都是在这两个模型之下开展的。传统的独立级联模型中，每个节点都会有一个可能被激活的概率p，假定v是被激活的种子，当节点v向其邻居节点u传达的概率大于p，则u被激活。相较于线性阈值模型，该模型的传播性能简单易懂。负影响力抑制最大化使用的贪心算法几乎是非常完美的，虽然可以找出影响力最大化的种子，但是当需要换别的种子的时候，又需要重新计算，所以在时间复杂度上是一大弱点。而且上述分析均是基于了负影响源是已知的情况下，由于社交网络的隐私性，负影响源在很多时候是不确定的，这也是一个亟待解决的问题。

技术实现思路

[0005]专利技术目的：本专利技术的目的在于克服上述缺陷，设计一种不确定源的负影响力抑制最大化方法，提出了节点负影响力抑制指标
△
(w)，针对不确定源的负影响力种子，多次抽样网络的子图，精确选择正种子集，最大限度抑制负影响力。
[0006]技术方案：本专利技术所述的一种不确定源的负影响力抑制最大化方法，具体包括以下步骤：
[0007](1)根据Chernoff界构建对有向图G构建R个活边子图G
’
＝(V,E
’
)；对于G中的每一个节点v，从v的入边集合中以P(u,v)的概率选择一条边(u,v)，从G中构造活边子图G
’
；
[0008](2)对每一个活边子图G
’
下，对每一个活边子图G
’
中以d为根，利用广度优先构建对应的传播树
[0009](3)当加入一个新的正种子节点v后，在传播树上计算抑制增量
△
(w)和节点u在传播树G
’
上的节点覆盖值
[0010](4)取具有最高抑制增量
△
(w)的节点w作为新的正种子加入种子集合S，依据种子集合个数k确定种子集合S。
[0011]进一步地，所述步骤(1)实现过程如下：
[0012]根据Chernoff界定义，给定R个在[0,1]中的独立同分布的随机变量X1,X2,...,X
R
，设他们的均值为μ；记X为X1,X2,...,X
R
的和，对于给定的误差阈值ε>0，有给定误差阈值ε，计算出抽样活边子图的样本数量；设负种子集的最大大小为N
D
；给定概率ρ，当活边子图数量满足：
[0013][0014]则误差概率ρ小于ε；其中n为子图G
i
中最大负影响力的传播值；
[0015]当获得活边子图数量后，令W(G)为G的所有活边子图的集合，G'∈W(G)为G的一个活边子图，用δ
G'
(V,d)表示在G
’
中顶点d可以到达的节点数量，可得到：
[0016][0017]其中，Pr(G
’
|G)表示G能够构造出子图G
’
的概率：
[0018][0019]其中，p(d,G
’
,G)表示在子图G
’
中顶点d至少和一条边连接的概率；设N(d)表示d的入边邻居集合，P(u,d)表示边(u,d)的传播概率，p(d,G
’
,G)为：
[0020][0021]进一步地，所述步骤(2)实现过程如下：
[0022]基于根在负种子d上的传播树，得到d对于负影响力的传播函数δ(V,d)为：
[0023][0024]其中，Pr(G
’
)表示的是G能够构造出G
’
的概率,函数定义为：
[0025][0026]这里，表示中以u为根的子树中的顶点个数，将其记为传播函数改写为：
[0027][0028]进一步地，所述步骤(3)实现过程如下：
[0029]当给定正、负种子集合C和D，以及候选正种子节点w∈V\D\C，这里V\D\C表示节点w为从V种去除种子节点C和D后寻找；将节点w加入到C后，抑制增量值
△
(w)为：
[0030][0031]其中，表示在子图G
’
中，去除已有的正种子集合C，以负种子节点d为根下，新加入的正种子节点的覆盖范围，后面的加1表示的是节点d本身，P
‑
(d)表示的是负种子节点的概率分布，Pr(G
’
)表示的是G能够构造出G
’
的概率。
[0032]进一步地，所述步骤(4)实现过程如下：
[0033]对正种子集合S的最终抑制的负影响力的衡量就可以通过新加入的正种子节点w的影响力抑制值
△
(w)的大小可以直观上的反应，要选取最终负影响力抑制大的正种子节点必然是那些负影响力抑制值
△
(w)较大的节点，对影响力抑制值
△
(w)从大到小进行排序后，根据种子节点的个数k，依据节点影响力抑制值
△
(w)，从大到小进行选择种子集合S。
[0034]有益效果：与现有技术相比，本专利技术的有益效果：在社会网络中构造了多个活边子图，并基于活边子图定义本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种不确定源的负影响力抑制最大化方法，其特征在于，包括以下步骤：(1)根据Chernoff界构建对有向图G构建R个活边子图G
’
＝(V,E
’
)；对于G中的每一个节点v，从v的入边集合中以P(u,v)的概率选择一条边(u,v)，从G中构造活边子图G
’
；(2)对每一个活边子图G
’
下，对每一个活边子图G
’
中以d为根，利用广度优先构建对应的传播树(3)当加入一个新的正种子节点v后，在传播树上计算抑制增量
△
(w)和节点u在传播树G
’
上的节点覆盖值(4)取具有最高抑制增量
△
(w)的节点w作为新的正种子加入种子集合S，依据种子集合个数k确定种子集合S。2.根据权利要求1所述的不确定源的负影响力抑制最大化方法，其特征在于，所述步骤(1)实现过程如下：根据Chernoff界定义，给定R个在[0,1]中的独立同分布的随机变量X1,X2,...,X
R
，设他们的均值为μ；记X为X1,X2,...,X
R
的和，对于给定的误差阈值ε>0，有给定误差阈值ε，计算出抽样活边子图的样本数量；设负种子集的最大大小为N
D
；给定概率ρ，当活边子图数量满足：则误差概率ρ小于ε；其中n为子图G
i
中最大负影响力的传播值；当获得活边子图数量后，令W(G)为G的所有活边子图的集合，G'∈W(G)为G的一个活边子图，用δ
G'
(V,d)表示在G
’
中顶点d可以到达的节点数量，可得到：其中，Pr(G
’
|G)表示G能够构造出子图G
’
的概率：其中，p(d,G
’
,G)表...

【专利技术属性】
技术研发人员：陈崚，鞠伟嘉，李斌，孙小兵，
申请(专利权)人：扬州大学，
类型：发明
国别省市：