【技术实现步骤摘要】
本专利技术涉及社交网络中的信息与影响力传播方法的领域，特别是动态的社交广告序列的影响力最大化的方法和装置。
技术介绍
1、社交媒体中影响力最大化问题(im)旨在从一个社交网络中选择有限数量的有影响力的种子用户，通过用户之间的社交关系影响传播，从而最大化信息的传播也就是得到最大化激活的用户节点数量。而多轮影响力最大化问题(mrim)旨在多轮中独立于可能不同的种子集传播，目标是为每轮选择种子节点，以最大化在至少一轮中激活的节点的预期数量。在社交广告传播中，现有的im主要聚焦于用户本身的特征，而忽略了用户过往接收过的广告对用户当下接收的广告的影响，或者忽略了多轮的广告投放中广告动态更新的过程。比如一个用户在接收多轮广告投放过程中，前面接收了篮球的广告，后续接收球鞋的广告的概率就会更大，在这个过程中，加入动态更新指的是在每一轮的传播过程中基于前面几轮的传播结果更新广告种子节点集的选取，根据接收篮球的用户，在下一轮的推荐中加入篮球鞋的广告给这些用户一级他们的社交关系网络节点，比如他们的朋友。
2、独立级联模型和线性阈值模型是目前研究影响力传播中最热门的两个扩散模型，独立级联模型下社交网络图中的每条边有一个权值表示一个节点激活另一个节点的概率。线性阈值模型中的边权要满足对任意节点入边权值和不大于1，并且每个节点再扩散过程中还有阈值保持不变。反向影响力采样是从已知的受影响节点开始，通过观察反向传播过程来估计节点的影响力。
技术实现思路
1、本专利技术要克服现有技术的上述缺点，提供动态
2、本专利技术基于一个新的场景，在社交网络的影响力最大化问题的基础上，细化了实际问题的场景，在社交网络中传播多轮次的具有网络关系的广告，并且在多轮次选择用户的过程中加入动态更新每一轮选择用户的过程。在此基础上，提出了近似计算该最大化问题的方法。通过定义社交网络传播模型并从该模型中通过采样的方式计算出每一轮传播的影响力，随后通过证明这个np-hard问题的单调和子模性，给出了一种动态更新的社交广告序列影响力最大化贪心计算方法。
3、本专利技术的第一个方面涉及动态社交广告序列影响力最大化方法，包括以下步骤：
4、(1)抽象社交广告序列影响力最大化问题模型的定义；
5、(2)通过多轮反向影响力采样方法估算广告序列中每个广告在社交网络中造成的影响力；
6、(3)使用贪心算法在可接收的时间内高效得近似求解问题。
7、对于步骤(1)中描述的模型和采样实例包括以下步骤：
8、步骤(1.1)定义问题场景；动态的多轮广告序列推荐影响力最大化问题，用户网络是g＝(u,e)，广告网络是n＝(v,w)，u是社交网络中用户的集合，e是用户和用户之间的有向边，广告被接收的收益函数是revenue:不同于在一开始就找到t轮广告序列，而是在每轮t中都选择一个广告种子集(σt,t)，观察其状态φ(σt,t)，然后选择下一个(σt+1,t+1)，然后重复上面的t轮过程。其中(σt,t)是一个广告种子集的表示，σt是第t轮广告传播过程中选择的种子集。定义ε是所有可能的(σt,t)的集合，参与传播的广告节点和边可以看成是一种反馈或者状态，是st可以到达的活边图的子图，定义函数φ:ε→ο是将每种可能的(st,t)映射到一个状态，ο是所有可能状态的集合，φ是一轮中一个可能的种子集的传播，定义φ(σt,t)是一种(σt,t)在φ下的实现。而φ是一种随机实现。
9、步骤(1.2)使用数学方法描述动态场景下的实现；用ψ表示每次选择广告节点之前观测的部分实现，那么其是一个ε的子集到其状态的函数。也就是{((σt,t),o):ψ(σt,t)＝o}。同时定义域ψ的部分实现和φ一致，如果在ψ的域中处处相等，表示为φ～ψ。另外定义子实现，ψ′和ψ都和一些φ一致且那么ψ是ψ′的子实现，表示为目的是找到最佳策略π。策略π是每一轮的广告种子节点的挑选策略，基于ε中的部分实现ψ，挑选下一轮种子集π(ψ)。如果π(ψ)不在π的域中，则停止挑选。要求dom(π)在子正则化下是闭的。
10、步骤(1.3)明确动态问题的目标函数；动态社交广告序列影响力最大化的目标是找到最佳策略π使得其中πt,k是t轮每轮最多k个广告节点的策略集合。favg(π)是π策略下活动节点的预期数量，表示π策略下活跃广告节点的预期数量，e(π,φ)是π在φ的实现下的一组选项。
11、对于步骤(2)中描述的多轮反向影响力采样方法包括以下步骤：
12、步骤(2.1)明确问题性质；因为计算每个广告在社交网络g中造成的影响力的计算是一个np-hard问题，所以使用多轮反向影响力采样的方法来估算这个数值。
13、步骤(2.2)通过采样获得反向可达集；对于社交网络g中的每条边(u1,u2)，将以的概率被保留，以的概率被删去，这样生成的子图g可以视作g的一个采样。所以算法先选择g中的一个节点u作为起始节点，g中所有能够到达u的点集被称作一个反向可达集，在多轮的情况下，每一轮都独立地随机生成一个u的反向可达集，定义多轮反向可达集
14、
15、其中代表第t轮种u的反向可达集中的节点与时间t的二元组的集合。
16、步骤(2.3)将目标函数用统计采样的方式定义；定义一个随机多轮反向可达集为一个随机选择一个u作为起始节点的多轮反向可达集。对于一个广告网络n以及一组广告序列σ，用sv＝{(u,t)|u∈sv,t}来表示每个时间轮t中会接受并转发广告v的那些特定用户，那么sv的影响力
17、
18、其中n是用户的数量，又因为对于f，e(σ)不需要一定是σ的生边集，所以用e′表示，也就是采样结果是。
19、
20、对于步骤(3)中描述的贪心算法高效求得近似解过程包括以下步骤：
21、步骤(3.1)初始化参数；从空结果集开始，逐轮选择每一轮的广告序列。在进行每一轮的广告选择时，相较于其他的选择的算法，贪心策略在每一轮都考虑到前面选择的广告序列的传播结果然后动态地选择下一轮的序列。这意味着贪心策略是每一轮的实现策略。用σt表示每一轮选择的广告序列，初始使σt为空。
22、步骤(3.2)贪心选择广告边；每轮的广告节点选取目标都是最大化预期边际增益，也就是第t轮中新激活的用户节点数目。输入用户节点，广告节点，t轮，每轮最多k个广告节点，还有前面t-1轮的选择的广告节点边集at-1，每一轮的广告节点选取单独通过蒙特卡洛贪心法选取，然后观察所选取的t轮的广告序列σt的传播，同时更新激活节点at。最后返回这一轮次的广告序列节点σt。
23、本专利技术的第二个方面涉及动态社交广告序列影响力最大化装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本专利技术的动态社交广告序列影响力最大化方法。
24、本专利技术的第三个方面涉及一种计算本文档来自技高网...
【技术保护点】
1.动态社交广告序列影响力最大化方法，包括以下步骤：
2.如权利要求1所述的动态社交广告序列影响力最大化方法，其特征在于步骤(1)具体包括：
3.如权利要求1所述的动态社交广告序列影响力最大化方法，其特征在于，步骤(2)具体包括：
4.如权利要求1所述的动态社交广告序列影响力最大化方法，其特征在于步骤(3)具体包括：
5.动态社交广告序列影响力最大化装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-4中任一项所述的动态社交广告序列影响力最大化方法。
6.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-4中任一项所述的动态社交广告序列影响力最大化方法。
【技术特征摘要】
1.动态社交广告序列影响力最大化方法，包括以下步骤：
2.如权利要求1所述的动态社交广告序列影响力最大化方法，其特征在于步骤(1)具体包括：
3.如权利要求1所述的动态社交广告序列影响力最大化方法，其特征在于，步骤(2)具体包括：
4.如权利要求1所述的动态社交广告序列影响力最大化方法，其特征在于步骤(3)具体包括：
5.动...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。