一种独立级联模型下协作-竞争并存的社交网络影响最大化算法制造技术

本发明专利技术涉及一种独立级联模型下协作

【技术实现步骤摘要】
一种独立级联模型下协作
‑
竞争并存的社交网络影响最大化算法


[0001]本专利技术涉及社交网络影响力传播
，更确切地说，它涉及一种独立级联模型下协作
‑
竞争并存的社交网络影响最大化算法。

技术介绍

[0002]随着互联网信息的飞速发展，如何谋求特定类型信息传播能力的最大化(或谣言等负面舆情最小化)就成为了政府、企业以及社会科学研究者等关注的研究课题。社交网络可以视为一个数学中的图结构G(V,E)，其中每个节点v∈V表示社交网络中的一个行为主体，如企业、公众号、终端用户等；每条有向边e＝(v1,v2)∈E表示信息的传播关系，即节点v1有一定概率将该信息直接传播给v2。经典影响最大化问题意图在社交网络中选取限定数量的节点作为信息源，即“种子节点”，使得从之出发信息的传播尽可能广。另一种研究路径则假定信息源已知且固定，选取若干个“增强节点”对接收的信息进行润色，使其传播能力提升(沿每一条边的传播概率增大)。对于负面信息最小化问题，在已知负面信息源的情形下，选取限定数量的阻抑节点阻拦负面信息传播，从而使得该信息的接收者最小化。可以证明上述问题均为NP
‑
Hard。现有的上述研究均限定于正面信息最大化，或者负面信息最小化两个应用问题之一，尚未涉足正、负面信息共同传播且在舆论场相互竞争的情形。

技术实现思路

[0003]本专利技术的目的是针对现有技术的不足，提出了一种独立级联模型下协作
‑
竞争并存的社交网络影响最大化算法。
[0004]第一方面，提供了一种独立级联模型下协作
‑
竞争并存的社交网络影响最大化算法，包括：
[0005]S1、根据输入参数指定4类信息Ca+、Ca、Cr和Cr
‑
的优先级；其中Ca和Cr分别表示经过增强节点之前，由信息种子节点散播的正面和负面信息；Ca+表示经过增强节点之后，更具传播能力的强化正面信息；Cr
‑
表示经过增强节点之后，传播危害性更低的弱化负面信息；
[0006]S2、根据4类信息优先级的单调性与子模性确定子算法，所述子算法包括PR
‑
IMM子算法、SA
‑
IMM子算法和SA
‑
RG
‑
IMM子算法。
[0007]作为优选，S2包括：
[0008]S201、若满足单调性和子模性，则执行PR
‑
IMM子算法；
[0009]S202、若只满足单调性而不满足子模性，则执行SA
‑
IMM子算法；
[0010]S203、其余情况下，执行SA
‑
RG
‑
IMM子算法。
[0011]作为优选，S201中，所述PR
‑
IMM子算法包括：
[0012]S2011、在输入图结构中执行多次反向可达图采样：对于第i次采样，图中等概率随机选取一个中心节点v
i
，从v
i
出发沿图结构的反向边进行广度优先搜索，获取在采样子图R
i
中，对于每个节点u，若将其设置为单独的增强节点，能够为中心节点v
i
带来的收益值g(u；R
i
,v
i
)；
[0013]S2012、将影响最大化问题等价为集合覆盖问题：在图中选取指定数量k个增强节点u1…
u
k
，增强节点对社交网络中每个节点v的贡献记为其中R,v表示某个随机的反向可达图采样及其随机选取的中心节点；求解目标函数选取的中心节点；求解目标函数
[0014]S2013、用S2011的采样结果作为期望的估计值；记采样总次数为θ，取其中R1…
R
θ
为采样获取的子图，v1…
v
θ
为每次采样随机选取的中心节点；基于上述近似估计值以及问题的单调子模性，使用贪心算法求解S2012的等价集合覆盖问题，逐个选取最优增强节点u1…
u
k
。
[0015]作为优选，S202中，所述SA
‑
IMM子算法包括：
[0016]S2021、将信息优先级假定为Ca+＞Cr
‑
＞Cr＞Ca，基于该优先级执行PR
‑
IMM子算法获取增强节点的一组解
[0017]S2022、枚举图中每个节点作为反向可达图采样的中心节点v，对每个节点v分别进行θ次采样，取作为的估计，即将节点u设为单独的增强节点后给v带来的收益值；
[0018]S2023、将问题的下界近似等价为单调子模的集合覆盖问题：选取指定数量k个增强节点u1…
u
k
，对于每个节点v，增强节点对v累计贡献的下界求解目标函数
[0019]S2024、根据S2022的估计值，使用贪心算法求解S2023的下界等价问题获取增强节点的另一组解
[0020]S2025、比较S2021和S2024获取的两组解，通过模拟信息传播过程估计两组解在社交网络中作为增强节点的实际收益，取较优的一组解作为子算法的输出。
[0021]作为优选，S203中，所述SA
‑
RG
‑
IMM子算法包括：
[0022]S2031、将信息优先级假定为Ca+＞Cr
‑
＞Cr＞Ca，基于该优先级执行PR
‑
IMM子算法获取增强节点的一组解
[0023]S2032、枚举图中每个节点作为反向可达图采样的中心节点v，对每个节点v分别进行θ次采样，取作为的估计，即将节点u设为单独的增强节点后给v带来的收益值；
[0024]S2033、将问题的下界近似等价为单调子模的集合覆盖问题：选取指定数量k个增强节点u1…
u
k
，对于每个节点v，增强节点对v累计贡献的下界求解目标函数
[0025]S2034、根据S2032的估计值，使用随机贪心算法求解S2023的下界等价问题获取增强节点的另一组解
[0026]S2035、比较S2031和S2034获取的两组解，通过模拟信息传播过程估计两组解在社交网络中作为增强节点的实际收益，取较优的一组解作为子算法的输出。
[0027]作为优选，PR
‑
IMM子算法和SA
‑
IMM子算法能够以的概率获取近似比为1
‑
1/e
‑
∈的近似最优解；SA
‑
RG
‑
IMM能够以的概率获取近似比为1/e
‑
∈的近似最优解；其中e＝2.71828
…
为自然常数，|V|为社交网络图节点的总数，l,∈为用户拟定的参数。
[0028]第二方面，提供了一种独立级联模型下协作
‑
竞争并存的社交网络影响最大化系统，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种独立级联模型下协作
‑
竞争并存的社交网络影响最大化算法，其特征在于，包括：S1、根据输入参数指定4类信息Ca+、Ca、Cr和Cr
‑
的优先级；其中Ca和Cr分别表示经过增强节点之前，由信息种子节点散播的正面和负面信息；Ca+表示经过增强节点之后，更具传播能力的强化正面信息；Cr
‑
表示经过增强节点之后，传播危害性更低的弱化负面信息；S2、根据4类信息优先级的单调性与子模性确定子算法，所述子算法包括PR
‑
IMM子算法、SA
‑
IMM子算法和SA
‑
RG
‑
IMM子算法。2.根据权利要求1所述的独立级联模型下协作
‑
竞争并存的社交网络影响最大化算法，其特征在于，S2包括：S201、若满足单调性和子模性，则执行PR
‑
IMM子算法；S202、若只满足单调性而不满足子模性，则执行SA
‑
IMM子算法；S203、其余情况下，执行SA
‑
RG
‑
IMM子算法。3.根据权利要求2所述的独立级联模型下协作
‑
竞争并存的社交网络影响最大化算法，其特征在于，S201中，所述PR
‑
IMM子算法包括：S2011、在输入图结构中执行多次反向可达图采样：对于第i次采样，图中等概率随机选取一个中心节点v
i
，从v
i
出发沿图结构的反向边进行广度优先搜索，获取在采样子图R
i
中，对于每个节点u，若将其设置为单独的增强节点，能够为中心节点v
i
带来的收益值g(u；R
i
,v
i
)；S2012、将影响最大化问题等价为集合覆盖问题：在图中选取指定数量k个增强节点u1…
u
k
，增强节点对社交网络中每个节点v的贡献记为其中R,v表示某个随机的反向可达图采样及其随机选取的中心节点；求解目标函数中R,v表示某个随机的反向可达图采样及其随机选取的中心节点；求解目标函数S2013、用S2011的采样结果作为期望的估计值；记采样总次数为θ，取其中R1…
R
θ
为采样获取的子图，v1…
v
θ
为每次采样随机选取的中心节点；基于上述近似估计值以及问题的单调子模性，使用贪心算法求解S2012的等价集合覆盖问题，逐个选取最优增强节点u1…
u
k
。4.根据权利要求3所述的独立级联模型下协作
‑
竞争并存的社交网络影响最大化算法，其特征在于，S202中，所述SA
‑
IMM子算法包括：S2021、将信息优先级假定为Ca+＞Cr
‑
＞Cr＞Ca，基于该优先级执行PR
‑
IMM子算法获取增强节点的一组解S2022、枚举图中每个节点作为反向可达图采样的中心节点v，对每个节点v分别进行θ次采样，取作为的估计，即将节点u设为单独的增强节点后给v带来的收益值；S2023、将问题的下界近似等价为单调子模的集合覆盖问题：选...

【专利技术属性】
技术研发人员：史麒豪，杨武剑，王灿，宋明黎，吴明晖，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：