一种节点特征感知的时序社交网络影响力最大化方法及系统技术方案

一种节点特征感知的时序社交网络影响力最大化方法及系统，涉及时序社交网络影响力最大化技术领域以及社会网络识别评估

【技术实现步骤摘要】
一种节点特征感知的时序社交网络影响力最大化方法及系统


[0001]本专利技术涉及一种节点特征感知的时序社交网络影响力最大化方法及系统，涉及时序社交网络影响力最大化
以及社会网络识别评估
、
处理技术等领域
。

技术介绍

[0002]随着数字时代的到来，社交网络经历了爆炸性的增长
。
这种信息传播方式的转变，引发了广泛的研究兴趣
[1]。
特别是，影响力最大化问题，即识别社交网络中具有最高信息传播潜力的节点，已经成为一个突出的研究课题
[2]。
这对营销策略尤其重要，因为这种研究可以通过识别和激活有影响力的用户来有效地推广产品或服务
。
因此，对这个问题的研究具有深刻的理论意义和广阔的应用前景
。
然而，目前的研究主要集中在网络的静态结构特性上，往往忽略了信息传播过程中节点的动态时序特性
。
[0003]在现实世界的社会网络中，节点之间的交互不是随机的，而是受其历史交互所体现的特征的影响
[3]。
例如，如果两个节点在过去有频繁的交互，他们在未来可能会更频繁地交互
。
这种行为会影响信息传播的路径和速度
。
此外，节点行为也显示出自相似性，这反映了人类行为重复的趋势，表现出统计学上的自相似性
[4]。
人类行为的这一普遍特征反映在不同时间尺度的个人行为模式的一致性上
。
例如，如果用户
A
经常在早上联系用户
B
，他们很可能在随后的早上继续这种模式
。
这种自相似性影响了信息传播的时间模式，有可能导致在某些时间范围内加速信息传播
。
这些因素在很大程度上影响了动态环境中信息传播影响力的扩散，例如在实时演变的
Twitter
网络中，研究人员发现最大的级联往往是由过去有影响力的
、
拥有大量粉丝的用户产生的
[5]。
[0004]文献号为
CN115329209A、
专利申请号为为
CN202210840379.1
现有技术公开一种改进
K
‑
shell
的时序社交网络影响力最大化方法，其分为预处理和查询阶段，首先对时序社交网络进行分层，并得到节点的位置信息；然后基于分层好的时序社交网络，根据节点的位置信息构建备选种子网络，对于备选种子网络中的每一个备选种子计算其综合度，依次从备选种子网络中选择综合度较大的节点作为种子节点，在时序社交网络中进行传播；该现有技术能够在社交网络中关注时间属性，并且根据节点的位置属性和动态属性进行种子选择，在时序社交网络中选择最优的种子进行消息的广泛传播
。
但现有技术中没有针对动态的历史交互所体现的特征进行考虑
。
节点信息，没有体现网络动态历史交互，影响力传播模型也不一样，没有体现动态历史交互
。
[0005]显而易见，这些动态的历史交互所体现的特征在实际的社会网络中是很重要的，但在传统的算法和传播模型中却没有得到充分的体现
。
也就是说，在目前的研究中，大多数关于影响力最大化问题的研究集中在静态网络结构特征上，而忽视了对时序的节点特征的考虑
。
换言之，如果没有考虑节点历史交互行为所体现的特征，很难准确地刻画节点行为并评估其在信息传播中的影响
。

技术实现思路

[0006]本专利技术要解决的技术问题是：
[0007]本专利技术的目的是通过考虑节点历史交互行为所体现的特征识别社交网络中具有最高信息传播潜力的节点，从而更准确地刻画节点行为并评估其在信息传播中的影响
。
为此，提出一种节点特征感知的时序社交网络影响力最大化方法及系统
。
[0008]本专利技术为解决上述技术问题所采用的技术方案为：
[0009]一种节点特征感知的时序社交网络影响力最大化方法，所述方法的实现过程为：
[0010]根据时序社交网络数据集得到各个节点的历史交互行为反映的节点特征，节点特征通过交互属性和自相似性来体现，所述交互属性包括主动交互属性和被动交互属性；
[0011]采用
ISVoteRank
算法作为投票策略，将时序社交网络输入至所述
ISVoteRank
算法，获得有影响力的作为种子节点的
k
个节点；
[0012]ISVoteRank
算法将节点的历史交互行为反映的节点特征融入投票机制；在投票之前：初始化节点的投票分数与投票能力，即初始化投票分数为0，初始化投票能力结合时序社交网络中节点的主动交互属性和自相似性；在投票过程中：根据节点与邻居节点之间的交互强度分配权重，允许邻居节点以不同程度给该节点个性化投票，并随后相应地减少邻居节点的投票能力；其中，在权重的计算过程中主要考虑邻居节点的被动交互属性，在投票分数的计算过程中融入权重计算，相应地获得邻居的投票分数，在削弱投票能力计算过程中同样融入权重计算，以及邻居节点的平均主动交互属性，相应地削弱邻居节点的投票能力；投票完成后，选择投票分数最高的前
k
个节点作为种子节点；
[0013]构建专门用于适应时序社交网络特点的动态独立级联模型
(
称为
DIC
模型
)
作为传播模型，将节点的历史交互行为反映的节点特征融入到
DIC
模型中，以用于捕捉时序社交网络的动态特征；时序社交网络
、
作为种子节点的
k
个节点
、
节点的自相似性作为传播模型的输入，影响力拓展度
spread
作为传播模型的输出，
spread
表示节点的集合；
[0014]传播模型采用影响传播概率来量化相邻节点间交互程度，影响传播概率考虑节点的被动交互属性，在传播过程中考虑节点的自相似性；
[0015]利用所选择的
k
个种子节点在时序社交网络中按照
DIC
模型进行影响力传播，实现影响力最大化
。
[0016]进一步地，所述的时序社交网络为
G
T
(V
，
E
，
T
E
)
，表示一个具有节点之间时序关系的社交网络图，其中
V
表示节点集合，
E
表示边集合，其中
|V|
＝
n
，
|E|
＝
m
，而
T
E
表示节点之间连接的时间集合
。T
(u
，
v)
表示节点
u
和
v
之间存在连接的时间集合，并且
T...

【技术保护点】

【技术特征摘要】
1.
一种节点特征感知的时序社交网络影响力最大化方法，其特征在于，所述方法的实现过程为：根据时序社交网络数据集得到各个节点的历史交互行为反映的节点特征，节点特征通过交互属性和自相似性来体现，所述交互属性包括主动交互属性和被动交互属性；采用
ISVoteRank
算法作为投票策略，将时序社交网络输入至所述
ISVoteRank
算法，获得有影响力的作为种子节点的
k
个节点；
ISVoteRank
算法将节点的历史交互行为反映的节点特征融入投票机制；在投票之前：初始化节点的投票分数与投票能力，即初始化投票分数为0，初始化投票能力结合时序社交网络中节点的主动交互属性和自相似性；在投票过程中：根据节点与邻居节点之间的交互强度分配权重，允许邻居节点以不同程度给该节点个性化投票，并随后相应地减少邻居节点的投票能力；其中，在权重的计算过程中主要考虑邻居节点的被动交互属性，在投票分数的计算过程中融入权重计算，相应地获得邻居的投票分数，在削弱投票能力计算过程中同样融入权重计算，以及邻居节点的平均主动交互属性，相应地削弱邻居节点的投票能力；投票完成后，选择投票分数最高的前
k
个节点作为种子节点；构建专门用于适应时序社交网络特点的动态独立级联模型
(
称为
DIC
模型
)
作为传播模型，将节点的历史交互行为反映的节点特征融入到
DIC
模型中，以用于捕捉时序社交网络的动态特征；时序社交网络
、
作为种子节点的
k
个节点
、
节点的自相似性作为传播模型的输入，影响力拓展度
spread
作为传播模型的输出，
spread
表示节点的集合；传播模型采用影响传播概率来量化相邻节点间交互程度，影响传播概率考虑节点的被动交互属性，在传播过程中考虑节点的自相似性；利用所选择的
k
个种子节点在时序社交网络中按照
DIC
模型进行影响力传播，实现影响力最大化
。2.
根据权利要求1所述的一种节点特征感知的时序社交网络影响力最大化方法，其特征在于：所述的时序社交网络为
G
T
(V
，
E
，
T
E
)
，表示一个具有节点之间时序关系的社交网络图，其中
V
表示节点集合，
E
表示边集合，其中
|V|
＝
n
，
|E|
＝
m
，而
T
E
表示节点之间连接的时间集合
。T
(u
，
v)
表示节点
u
和
v
之间存在连接的时间集合，并且
T
(u
，
v)
∈T
E
。3.
根据权利要求1或2所述的一种节点特征感知的时序社交网络影响力最大化方法，其特征在于：所述交互属性为：交互属性
IA
在时序社交网络中表示一个节点与邻居交互的频率；将交互属性分为两类：主动交互属性
AIA
和被动交互属性
PIA
；主动交互属性
AIA
：用于捕捉一个节点在发起交互时与邻居的主动行为，反映节点与邻居交互的倾向；方程
(1)
提供了一种计算节点
v
的主动交互属性值的方法：
AIA
v
＝
∑
w∈out(v)
|T
(v
，
w)
|(1)
其中，
|T
(v
，
w)
|
代表节点
v
向节点
w
的交互次数，
out(v)
表示节点
v
的出邻居集合；被动交互属性
PIA
：用于捕捉节点对邻居节点发起的交互的接受行为，反映节点被邻居节点激活的倾向；公式
(2)
提供了一种计算节点
v
的被动交互属性值的方法：
PIA
v
＝
∑
u∈in(v)
|T
(u
，
v)
|(2)
其中，
|Y
(u
，
v)
|
代表节点
u
向节点
v
的交互次数，
in(v)
表示节点
v
的入邻居集合
。
4.
根据权利要求3所述的一种节点特征感知的时序社交网络影响力最大化方法，其特征在于：所述自相似性：节点的自相似性用于理解信息传播的模式和趋势，从而优化影响力的最大化；自相似性
(Self
‑
Similarity)
自相似性反映一个节点的当前行为受到其历史交互所体现的时间序列的影响，描述过去行为对未来行为的影响；用
Hurst
指数来表征节点的自相似性，
Hurst
指数的值从0到
1。5.
根据权利要求4所述的一种节点特征感知的时序社交网络影响力最大化方法，其特征在于：所述
ISVoteRank
算法实现的具体过程为：提出利用
ISVoteRank
算法识别时序社交网络中的一组高影响力的节点以适应大规模时序社交网络的具体特征；
1)
初始化投票能力在
ISVoteRank
算法中每个节点的状态由一个元组
(vs
v
，
va
v
)
表示，其中
vs
v
是节点
v
从其邻居处得到的投票得分，
va
v
则代表节点
v
向邻居投票的能力；在投票前，基于时序社交网络的每个节点都表现出不同的特征，对投票能力进行个性化的初始化；基于时序社交网络中节点的交互属性和自相似性，在
ISVoteRank
算法中，节点的主动交互属性值和自相似性被纳入到节点的初始投票能力中，节点的初始投票能力是按照公式
(5)
计算的：其中
hurst(v)
是节点
v
的自相似性，
AIA
v
是节点
v
的主动交互属性值，
A...

【专利技术属性】
技术研发人员：朱文龙，苗雨，杨双双，廉佐政，崔连和，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：