动态网络结构基于学习自动机的影响力最大化方法及系统技术方案

本发明专利技术提供一种动态网络结构基于学习自动机的影响力最大化方法及系统，包括：将动态网络结构{G0,G1,

【技术实现步骤摘要】
动态网络结构基于学习自动机的影响力最大化方法及系统


[0001]本专利技术涉及学习自动机的
，具体地，涉及动态网络结构基于学习自动机的影响力最大化方法及系统。

技术介绍

[0002]影响力最大化问题的研究在网络舆论引导、网络辟谣、网络营销以及广告宣传等方面具有良好的应用前景，影响力最大化已成为互联网信息传播研究领域的一个重要研究方向。由于互联网是动态变化的复杂网络，各个节点之间的连接关系不断发生变化，从而导致各节点影响力的变化。因此，需要在节点间传播关系发生变化时及时更新信息传播的初始种子节点集合，以保障动态网络下影响力最大化问题求解的稳定和有效性。
[0003]因此，现有技术中(申请号为CN202210169168.X的中国专利，公开了“社交网络影响力最大化节点识别方法”)的影响力最大化方法，提供一种社交网络影响力最大化节点识别方法及系统，包括：对于给定的社交网络，根据每个节点的三元闭包结构数量，计算每个节点的三元闭包加权度值；根据每个节点的所有邻居节点的所述三元闭包加权度值，计算每个节点的加权影响力期望值；基于每个节点的所述加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动态网络结构基于学习自动机的影响力最大化方法，其特征在于，所述方法包括如下步骤：步骤S1：将动态网络结构{G0，G1，
…
}映射为一组平稳环境构成的短时平稳的非平稳环境{E0，E1，
…
}，初始化种子节点集合和当前影响力；步骤S2：基于学习自动机LA算法，在环境E0中进行探索，得到初始网络G0上的种子节点集合；步骤S3：基于自适应滑动窗口算法，对连续的两个网络拓扑结构G0→
G1进行变化检测；步骤S4：在新旧网络G0→
G1间进行学习自动机与环境交互的历史信息迁移，得到新网络中的种子节点集合S
*
。2.根据权利要求1所述的动态网络结构基于学习自动机的影响力最大化方法，其特征在于，所述步骤S1包括如下步骤：步骤S1.1：网络G
i
与平稳环境E
i
一一对应，且满足上述G(V，E)与E(A，B，C)间的映射关系，其中对于网络G，V为网络参与者即节点的集合，E为节点间连接关系即边的集合，对于环境E，A为行为集合，B为反馈集合，C为奖励期望矩阵；步骤S1.2：网络快照的更新G
i
→
G
i+1
即为随机环境的变化E
i
→
E
i+1
。3.根据权利要求1所述的动态网络结构基于学习自动机的影响力最大化方法，其特征在于，所述步骤S2包括如下步骤：步骤S2.1：在t时刻，学习自动机按照其行为选择策略，选择行为a(t)；步骤S2.2：以S∪{s(t)}作为初始节点在网络G中按照信息传播模型进行一次信息传播，得到激活节点的数量|V
active
(t)|；步骤S2.3：按下式计算环境反馈b(t)，其中|V|为网络中总的节点数量，E[S}为节点集合S在网络中影响力的期望值：步骤S2.4：学习自动机按照其状态更新策略进行内部状态更新；步骤S2.5：重复步骤S2.1
‑
步骤S2.4的过程，直至|S|＝k。4.根据权利要求1所述的动态网络结构基于学习自动机的影响力最大化方法，其特征在于，所述步骤S3包括如下步骤：步骤S3.1：令i＝1，2，
…
，k，以节点集合{s1，s2，
…
，s
i
}与网络G1在信息传播模型F下进行1次交互，利用激活节点数量和E[{s1，s2，
…
，s
i
}]计算归一化传播范围的边际收益，并记录至序列N
i，1
，当序列长度满足如下时，仅保留最新的|N
i，0
|个反馈值，其中N
i，0
为节点集合{s1，s2，
…
，s
i
}在与网络G0交互时得到的反馈序列；步骤S3.2：利用自适应滑动窗口ASWIN算法计算边界值∈
cut
(i)，给定置信度参数δ和调和平均数n
h
：
步骤S3.3：若序列N
i，0
和N
i，1
的均值差大于∈
cut
(i)，则检测到网络环境发生变化，开始在新网络G
t+1
上寻找新的种子节点集合。5.根据权利要求1所述的动态网络结构基于学习自动机的影响力最大化方法，其特征在于，所述步骤S4包括如下步骤：步骤S4.1：令i＝1，2，
…
，k，节点集合{s1，
…
，s
i
}与新网络G1在相同的信息传播模型下交互μ|N
i，0
|次，其中μ为比例系数，利用激活节点数量和E[{s1，s2，
…
，s
i
}]计算归一化传播范围的边际收益，并记录至反馈序列N
i，1
；步骤S4.2：给定新旧序列N
i，0
和N
i，1
，利用自适应滑动窗口ASWIN算法计算边界值∈
cut
(i)；步骤S4.3：在新旧网络G
t
→
G
t+1
间进行学习自动机历史信息的迁移，以(1
‑
ω
i
)的概率对历史反馈序列中的各元素进行保留，其中Δ
i
为序列N
i，0
和N
i，1
间的均值差；步骤S4.4：利用迁移后的反馈序列，采用学习自动机LA算法进行第i个种子节点的学习，收敛于节点并将其将入到新的种子节点集合步骤S4.5：如果则结束历史信息迁移，继续进行后续轮次种子节点的学习，直至|S
*
|＝k；否则重复以上过程，直至|S
*
|＝k。6.一种...

【专利技术属性】
技术研发人员：张月国，狄冲，李生红，
申请(专利权)人：山东省人工智能研究院，
类型：发明
国别省市：