基于独立级联模型面向社交网络群体影响力最大化的方法技术

本发明专利技术提供了一种基于独立级联模型面向社交网络群体影响力最大化的方法，所述方法包括以下步骤：步骤S1、构建基于双层模型的社交网络模型；步骤S2、在社交网络模型中，建立基于独立级联模型的社交网络群体影响最大化问题模型；步骤S3、在社交网络群体影响最大化问题模型中，生成节点的反向可达集；步骤S4、从反向可达集生成节点的反向可达集中，选择k个覆盖最多反向可达集的节点作为种子节点；本发明专利技术能够实现在有限的计算资源下，最大程度地提高解决社交网络群体影响最大化问题效率。决社交网络群体影响最大化问题效率。决社交网络群体影响最大化问题效率。

【技术实现步骤摘要】
基于独立级联模型面向社交网络群体影响力最大化的方法


[0001]本专利技术涉及人工智能
，特别是基于独立级联模型面向社交网络群体影响力最大化的方法。

技术介绍

[0002]社交网络作为一个平台，在病毒营销、信息传播、传染病控制、舆情控制等方面起着重要的作用。在疫情防控期间，防疫信息和工作需要最大化地通知和落实到每家每户，这就属于社交网络群体影响最大化问题。如果工作人员每家每户挨个通知的话，就加大了工作人员的工作量并且不利于信息的即时传播，使防疫工作产生滞后性。若能在小区内找到小部分影响力高的住户，通过他们的社交网络将防疫信息传播出去，这样会达到事半功倍的效果。除此之外，社交网络的群体影响最大化还有很多现实应用，如在口碑营销、传染病控制、舆论控制等方面有实际价值。因此，基于独立级联模型的面向社交网络群体影响力最大化的实现方法具有重要的现实意义。

技术实现思路

[0003]有鉴于此，本专利技术的目的是提供一种能够实现在有限的计算资源下，最大程度地提高解决社交网络群体影响最大化问题效率的方法。
[0004]本专利技术采用以下方法来实现：基于独立级联模型面向社交网络群体影响力最大化的方法，所述方法包括以下步骤：
[0005]步骤S1、构建基于双层模型的社交网络模型；
[0006]步骤S2、在社交网络模型中，建立基于独立级联模型的社交网络群体影响最大化问题模型；
[0007]步骤S3、在社交网络群体影响最大化问题模型中，生成节点的反向可达集；
[0008]步骤S4、从反向可达集生成节点的反向可达集中，选择k个覆盖最多反向可达集的节点作为种子节点。
[0009]进一步的，所述步骤S1进一步具体为：双层社交网络模型表示具有群体结构的社交网络，上层是由节点及其邻居节点或者目标节点组成，下层是由群体及其群体成员构成；社交网络模型可用图G＝(V，E，P，U)来建模：V代表社交网络中的一组用户集合，E代表用户之间可能产生的影响，P为图中所有边的概率的集合，U表示图中所有群体的集合。
[0010]进一步的，所述步骤S2进一步具体为：给定初始活跃节点集A，在t时刻，活跃节点 u对其尚未激活的邻居节点v产生影响，成功概率为p(u，v)；社交网络群体影响最大化是研究在独立级联模型下，在图中寻找k个初始活跃种子节点，通过扩散影响，使得最后被激活的群体数量最多，其中一个群体被激活的前提条件是群体中至少β％的成员被激活；对于一个给定的图G＝(V,E,P,U)，社交网络群体影响最大化的数学描述是：
[0011]maxρ(S)s.t.|S|≤k
[0012]其中，S是种子节点集，k是初始种子节点数量，ρ(S)是最后被激活的预期群体数
量。
[0013]进一步的，所述步骤S3进一步具体为：以社交网络有向图作为输入，然后在输入的原始有向图中保留概率大于等于某个特定值的边得到一个稀疏子图，稀疏子图中保留了高概率的边，去除了低概率的边，使得影响以大概率在大范围内扩散；在子图中随机选择一个目标节点，将其加入新激活的节点集中，模拟节点的影响传播，遍历该节点的入边并将入边的源节点添加到该节点的反向可达集中。
[0014]进一步的，所述步骤S4进一步具体为：需要在步骤S3生成的t个随机节点的反向可 IRIS算法比最大覆盖算法和最大出度算法这两个对比基准算法在独立级联模型下激活的平均群体数量多，达集中迭代k次，每次选择覆盖群体数量最多的节点，然后删除含有当前被选择节点的反向可达集，最后得到k个覆盖最多反向可达集的节点作为种子节点。
[0015]本专利技术的有益效果在于：本专利技术采用的方法既考虑了节点在整个网络中的传播影响力，又确保影响最多的群体，比现有的方法(如最大覆盖方法和最大出度方法)在独立级联模型下激活的平均群体数量更多。
附图说明
[0016]图1为本专利技术的方法流程示意图。
[0017]图2为基于双层模型的社交网络图。
[0018]图3为独立级联模型下影响传播的举例示意图。
[0019]图4为原始的社交网络图。
[0020]图5为稀疏后的社交网络图。
具体实施方式
[0021]下面结合附图对本专利技术做进一步说明。
[0022]本实施方式中涉及大量参数，现将各参数作如下说明，如表1所示：
[0023][0024][0025]请参阅图1所示，本专利技术提供了基于独立级联模型面向社交网络群体影响力最大化的方法，所述方法包括以下步骤：
[0026]步骤S1、构建基于双层模型的社交网络模型；
[0027]步骤S2、在社交网络模型中，建立基于独立级联模型的社交网络群体影响最大化问题模型；
[0028]步骤S3、在社交网络群体影响最大化问题模型中，生成节点的反向可达集；
[0029]步骤S4、从反向可达集生成节点的反向可达集中，选择k个覆盖最多反向可达集的节点作为种子节点。
[0030]下面通过一具体实施例对本专利技术作进一步说明：
[0031]1.构建基于双层模型的社交网络模型：
[0032]双层社交网络模型可以表示具有群体结构的社交网络，上层是由节点及其邻居节点或者目标节点组成，下层是由群体及其群体成员构成。对该社交网络模型使用图G＝(V,E,P,U)来建模，图G是图论里的图，不指代一个具体图纸：
[0033]V代表社交网络中的一组用户集合(即图中所有节点的集合)，假设社交网络中有n个用户，则可表示为V＝{v1,v2,...,v
n
}；
[0034]E代用户之间可能产生的影响，(即图中的边的集合)，假设一个社交网络中有m条边，则有E＝{e1,e2,...,e
m
}；
[0035]P为图中所有边的概率的集合，因为图中有m条边，所以有P＝{p1，p2，...，p
m
}和
i是正整数。若概率越高，则表示节点被成功影响的概率越；
[0036]U表示图中所有群体的集合，假设图中有l个群体，则U＝{u1，u2，...，u
l
}，u
j
是V的子集，并且1≤j≤l，j是正整数。社交网络中的节点可以不属于任何一个群体，也可以属于一个或多个群体。
[0037]以有向图的双层社交网络模型为例，如图2所示，图中有7个节点，6条有向边，2 个群体，假设每条边的概率都是100％，即V＝{v1,v2,...,v7}，E＝{e1,e2,...,e6}，U＝{u1,u2}， u1＝{v1,v3,v6}，u2＝{v1,v2,v4,v5,v6}。
[0038]在双层社交网络模型中，如果一个节点有最多的邻居节点或目标节点，也就是说它达到了上层最大化，并且它覆盖了最多的群体，且它和它的邻居节点或目标节点都属于这些群体，即上层最大化的同时达到下层最大化，那么该节点很可能是种子节点，有潜力激活最多的群体。比如图2的7个节点中，v1和v2达到了上层最大化，都有3个目标节点，其他5个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于独立级联模型面向社交网络群体影响力最大化的方法，其特征在于，所述方法包括以下步骤：步骤S1、构建基于双层模型的社交网络模型；步骤S2、在社交网络模型中，建立基于独立级联模型的社交网络群体影响最大化问题模型；步骤S3、在社交网络群体影响最大化问题模型中，生成节点的反向可达集；步骤S4、从反向可达集生成节点的反向可达集中，选择k个覆盖最多反向可达集的节点作为种子节点。2.根据权利要求1所述的基于独立级联模型面向社交网络群体影响力最大化的方法，其特征在于：所述步骤S1进一步具体为：双层社交网络模型表示具有群体结构的社交网络，上层是由节点及其邻居节点或者目标节点组成，下层是由群体及其群体成员构成；社交网络模型可用图G＝(V,E,P,U)来建模：V代表社交网络中的一组用户集合，E代表用户之间可能产生的影响，P为图中所有边的概率的集合，U表示图中所有群体的集合。3.根据权利要求1所述的基于独立级联模型面向社交网络群体影响力最大化的方法，其特征在于：所述步骤S2进一步具体为：给定初始活跃节点集A，在t时刻，活跃节点u对其尚未激活的邻居节点v产生影响，成功概率为p(u,v)；社交网络群体影响最大化是研究在独立级联模型下，在图中寻找k...

【专利技术属性】
技术研发人员：黄培煌，林耿，钟钰婷，郭龙坤，
申请(专利权)人：闽江学院，
类型：发明
国别省市：