面向网络社群结构的类桥节点的影响力评估方法技术

本发明专利技术属于复杂网络应用技术领域，特别涉及一种面向网络社群结构的类桥节点影响力评估方法，其通过网络社群划分获得各社群的节点信息，通过各节点的结构信息和行为信息确定出各节点的结构值ID

【技术实现步骤摘要】
面向网络社群结构的类桥节点的影响力评估方法


[0001]本专利技术属于复杂网络应用
，特别涉及一种面向网络社群结构的类桥节点影响力评估方法。

技术介绍

[0002]网络社群已成为人们信息获取和思想交流的重要载体，在网络社群中开展有影响力节点的识别对信息传播预测、舆情监控和引导具有重要意义。
[0003]网络社群内部密集连接使得同一社群的成员具有相似的观点和行为，体现了网络社群具有某种内部的“凝聚力”。网络社群的形成发展给信息传播带来了双重影响，有积极影响，也有消极影响。
[0004]聚簇结构是网络中最普遍和重要的拓扑属性之一，聚簇中密集连接区域以及聚簇间的弱连接对信息级联传播有重要影响。在目前已有的针对簇结构的研究中，仅从网络结构的紧密性上考虑，而对簇成员的行为，特别是从众行为影响因素鲜有考虑。此外，其对于聚簇结构中的桥节点和类桥节点的影响力无法实现量化评估。

技术实现思路

[0005]为了克服现有技术所存在的不足，本申请提供了一种面向网络社群结构的类桥节点的影响力评估方法，该方法考虑了社群聚簇结构阻挡信息级联的结构特性，关注到社群是具有相似性行为倾向的个体聚集，适用于正向信息有效扩散和负向信息有效抑制的双向调控。
[0006]本申请的技术方案是：
[0007]一种面向网络社群结构的类桥节点的影响力评估方法，其包括以下处理步骤：
[0008](1)获取数据集网络图，并确定网络图规模；
[0009](2)划分网络社群获得网络中各社群包含的节点信息；<br/>[0010](3)获取网络中各节点的结构信息和行为信息，确定出各节点的结构值ID
i_
Structure和行为特征值ID
i
_Behave；
[0011](4)利用下式确定出各节点自身的影响力值I(self
i
)：
[0012]I(self
i
)＝α
×
IDi_Structure+(1
‑
α)
×
IDi_Behave
[0013]其中，α为节点自身影响力值权重系数，取值范围为[0,1][0014](5)利用下式确定类桥节点影响力值I(BLN_i)：
[0015][0016]其中，Ne(i)表示与第i个类桥节点有连边的节点集；C
i
表示与第i个类桥节点同处一个社群的有连边的节点集；j表示与第i个类桥节点不处于同一个社群的有连边的节点集；β为类桥影响力值权重系数，β∈[0,1]；
[0017]类桥节点在具有社群结构的网络图中至少有一个邻居节点属于其它社群结构的节点。
[0018](6)将步骤(5)的类桥节点影响力值I(BLN_i)按照由大到小的降序进行排列；
[0019](7)选取不多于前10％的节点作为影响力节点集，进而基于这些有影响力的类桥节点集实现面向网络社群的信息传播的引导调控。
[0020]进一步限定，所述步骤(2)中划分网络采用FastNewman社团划分算法。
[0021]进一步限定，所述步骤(2)节点信息包括各社群的节点规模以及各社群的节点组成。
[0022]进一步限定，所述步骤(3)中结构值ID
i_
Structure的计算方法为：
[0023][0024]其中，num(C
i
)表示各节点所在社群人数；
[0025]maxnum(C)表示网络中最大的社群人数；
[0026]I(deg ree
i
)表示节点i的度值；
[0027]maxI(degree
i
)表示网络中节点i的最大度值。
[0028]进一步限定，所述步骤(3)中的各节点的行为特征值ID
i
_Behave按照下述方式获得：
[0029][0030]其中，δ为节点行为值权重系数，取值范围为[0,1]；
[0031]n_Speak
i
为节点i在一定时段内的发微博数；
[0032]n_like
i
为节点i在一定时段内所发微博的点赞数；
[0033]n_Comment
i
为节点i在一定时段内所发微博的评论数；
[0034]n_Forward
i
为节点i在一定时段内所发微博的转发数。
[0035]进一步限定，所述步骤(5)中若进行正向信息扩散时，β∈[0.5,1]；若进行负向信息抑制时，β∈[0,0.5)。
[0036]进一步限定，所述正向信息扩散或负向信息抑制的转化模型为：
[0037]S态为易感态，表示节点未知当前信息或者已知当前信息但不参与传播的状态；
[0038]I态为感染态，表示节点接收到当前信息且参与传播的状态；
[0039]R态为免疫态，表示节点对当前信息失去兴趣且不再参与传播的状态；
[0040]处于S态的节点，当满足p&gt;q时，状态从S态转化为I态；处于I态的节点以固定概率γ转化为R态；
[0041]其中，p表示节点的直接邻居中处于感染态的节点数目占其总邻居数目的比值，p∈[0,1]，q表示信息内容传播的门槛值q∈[0,1]，γ表示给定的恢复率，γ∈[0,1]。
[0042]本申请还提供了一种面向网络社群结构的类桥节点的影响力评估方法，其包括以下处理步骤：
[0043](1)获取数据集网络图，并确定网络图规模；
[0044](2)划分网络获得网络图的各社群包含的节点信息；
[0045][0046](4)利用下式确定出各节点自身的影响力值I(self
i
)：
[0047]I(self
i
)＝IDi_Structure
[0048](5)利用下式确定类桥节点的影响力值I(BLN_i)：
[0049][0050]其中，Ne(i)表示与第i个类桥节点有连边的节点集；C
i
表示与第i个类桥节点同处一个社群的有连边的节点集；j表示与第i个类桥节点不处于同一个社群的有连边的节点集；β为类桥影响力值权重系数，β∈[0,1]；
[0051](6)将步骤(5)的类桥节点影响力值I(BLN_i)按照由大到小的降序进行排列；
[0052](7)选取不多于前10％的节点作为影响力节点集，进而基于这些有影响力的类桥节点集实现面向网络社群的网络信息的引导调控。
[0053]进一步限定，所述步骤(3)中结构值ID
i_
Structure的计算方法为：
[0054][0055]其中，num(C
i
)表示各节点所在社群人数；
[0056]maxnum(C)表示网络中最大的社群人数；
[0057]I(deg ree
i
)表示节点i的度值；
[005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向网络社群结构的类桥节点的影响力评估方法，其特征在于，包括以下处理步骤：(1)获取数据集网络图，并确定网络图规模；(2)划分网络社群获得网络中各社群包含的节点信息；(3)获取网络中各节点的结构信息和行为信息，确定出各节点的结构值ID
i
_Structure和行为特征值ID
i
_Behave；(4)利用下式确定出各节点自身的影响力值I(self
i
)：I(self
i
)＝α
×
IDi_Structure+(1
‑
α)
×
IDi_Behave其中，α为节点自身影响力值权重系数，取值范围为[0,1]；(5)利用下式确定类桥节点影响力值I(BLN_i)：其中，Ne(i)表示与第i个类桥节点有连边的节点集；C
i
表示与第i个类桥节点同处一个社群的有连边的节点集；j表示与第i个类桥节点不处于同一个社群的有连边的节点集；β为类桥影响力值权重系数，β∈[0,1]；(6)将步骤(5)的类桥节点影响力值I(BLN_i)按照由大到小的降序进行排列；(7)选取不多于前10％的节点作为影响力节点集，进而基于这些有影响力的类桥节点集实现面向网络社群的信息传播的引导调控。2.根据权利要求1所述的面向网络社群结构的类桥节点的影响力评估方法，其特征在于，所述步骤(2)中划分网络采用FastNewman社团划分算法。3.根据权利要求1所述的面向网络社群结构的类桥节点的影响力评估方法，其特征在于，所述步骤(2)节点信息包括各社群的节点规模以及各社群的节点组成。4.根据权利要求1所述的面向网络社群结构的类桥节点的影响力评估方法，其特征在于，所述步骤(3)中结构值ID
i
_Structure的计算方法为：其中，num(C
i
)表示各节点所在社群人数；max num(C)表示网络中最大的社群人数；I(deg ree
i
)表示节点i的度值；max I(deg ree
i
)表示网络中节点i的最大度值。5.根据权利要求1～4任意一项所述的面向网络社群结构的类桥节点的影响力评估方法，其特征在于，所述步骤(3)中的各节点的行为特征值ID
i
_Behave按照下述方式获得：其中，δ为节点行为值权重系数，取值范围为[0,1]；n_Speak
i
为节点i在一定时段内的发微博数；n_like
i
为节点i在一定时段内所发微博的点赞数；n_Comment
i
为节点i在一定时段内所发微博的评论数；n_Forwar...

【专利技术属性】
技术研发人员：李黎，王娇洋，王艳，郝飞，张立臣，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：