【技术实现步骤摘要】
本专利技术涉及信息传播网络关键节点评估，特别是涉及一种采用深度双q网络算法评估信息传播网络关键节点的方法。
技术介绍
1、社交网络上的信息扩散经常被建模为在一个传播网络上的随机过程。一个明确的传播网络结构可以帮助研究人员分析和理解信息的扩散过程。在信息传播网络中，节点代表个体或者实体，边代表它们之间的传播关系。通常此网络中会存在这么一种情况：极少数的节点对整个网络的结构和功能起到非常重要的作用，这种节点就称为网络中的关键节点。如今识别关键节点是对信息传播网络进行研究的重要一环，通过对网络进行分析，可以识别出其内的关键节点，从而更全面的了解此网络的结构；而且对关键节点进行保护可以提升网络的稳定性。由于信息传播网络是现实中的信息传播系统的抽象，所以也可以将现实系统中的问题转为对应网络上的抽象问题，从而更方便、有效的对现有问题进行解决。
2、然而随着网络规模的增大，现有的信息传播网络关键节点识别方法很难确保迅速而且准确的对此网络中的关键节点进行识别，其识别存在效率低而且不准确的问题。
技术实现思路
1、为此，本专利技术的一个实施例提出一种采用深度双q网络算法评估信息传播网络关键节点的方法，以求迅速而且准确的对大规模信息传播网络中的关键节点进行识别。
2、根据本专利技术一实施例的采用深度双q网络算法评估信息传播网络关键节点的方法，包括以下步骤：
3、s1，对深度双q网络算法进行改进，修改各动作的奖励值的初始计算方法，定义奖励值更新函数来实时的对各动作的奖
4、s2，在信息传播网络中，利用改进后的深度双q网络算法得到基于节点的averagerank值以及q-接近度值的影响力指标，以此代表节点的全局特征；
5、s3，将代表节点全局特征的影响力指标与代表节点局部特征的k-shell指标进行综合评价，得到各节点对应的评分，按照评分从大到小的顺序对各节点进行排序，将排序靠前的预设数量的节点作为信息传播网络中的关键节点。
6、根据本专利技术实施例的采用深度双q网络算法评估信息传播网络关键节点的方法，利用深度强化学习在处理高维输入以及大数据上的优点，选取了具有代表性的深度双q网络算法来对规模日益增长的信息传播网络进行分析；对深度双q网络算法中各动作的初始奖励值、实时奖励值以及各动作对应的q值进行修改，提升了大规模信息传播网络下的关键节点识别速率并解决了常见的网络遍历不充分问题；利用修改后的深度双q网络算法得到两个代表节点全局特征的影响力指标averagerank以及q-接近度，并结合代表节点局部特征的k-shell指标进行综合评价，避免了单一指标存在的片面性问题，提高了关键节点识别的准确性。
7、另外，根据本专利技术上述实施例的采用深度双q网络算法评估信息传播网络关键节点的方法，还可以具有如下附加的技术特征：
8、进一步地，步骤s1具体包括：
9、s11，利用信息传播网络中各节点的点介数和接近度来修改各动作的奖励值的初始计算方法；
10、s12，利用节点当前的访问次数定义奖励值更新函数，在计算出各动作的初始奖励值的情况下，对各动作的奖励值进行实时的修改；
11、s13，定义前k步动作的实时奖励值的均值用其替代计算各动作对应的q值时使用的当前动作的奖励值rt+1，其中k为第一定值，i为变量且初始值为0，rt+1-i表示第t-i个动作对应的奖励值。
12、进一步地，步骤s3具体包括：
13、s31，将各节点的averagerank值、q-接近度值与k-shell值进行基于熵权法的topsis综合分析，得到各节点对应的评分；
14、s32，按照评分从大到小的顺序对各节点进行排序，将排序靠前的预设数量的节点作为信息传播网络中的关键节点。
15、进一步地，步骤s11具体包括：
16、首先，构建信息传播网络中各节点的邻接矩阵、点介数矩阵和接近度矩阵；然后，进行各矩阵的归一化，将各矩阵包含的所有元素都除以对应矩阵内的最大值；最后，将三个归一化的矩阵相加求和，得到初始奖励矩阵，各动作的初始奖励值即为矩阵上对应位置的值。
17、进一步地，步骤s12中，奖励值更新函数f(rt)的表达式为：
18、
19、其中，c为第二定值，visit为节点当前的访问次数，y为依据信息传播网络的规模设计的定值，rt为节点对应动作的奖励值。
20、进一步地，步骤s13中，计算各动作对应的q值时使用的公式为：
21、
22、其中，st与st+1分别表示走了t步和t+1步后的状态，at表示st状态下要选取的下一步动作，argmaxq(st+1,a)表示在st+1状态寻找使q值最大的动作a，γ为学习参数，q(st,at)表示在st状态下实施动作at所获得的价值，q′(st+1,argmax q(st+1,a))表示在st+1状态下实施动作argmax q(st+1,a)所获得的价值。
23、进一步地，步骤s2中，基于节点的averagerank值的影响力指标反应的是节点多轮的相对访问次数的均值，其计算公式为：
24、
25、其中，b表示节点的序号，averagerankb表示基于节点b的averagerank值的影响力指标，j为变量且初始值为1，n表示当前执行的轮数，averagevisitbj表示节点b在第j轮的访问次数与所有节点总访问次数的比值。
26、进一步地，步骤s2中，基于节点的q-接近度值的影响力指标反应的是节点到各节点的最优路径长度的倒数的均值，其计算公式为：
27、
28、其中，m、n表示节点的序号，q-closenessm表示基于节点m的q-接近度值的影响力指标，v为节点的集合，dmn为节点m和n之间的最优路径长度，|v|为节点的总个数。
29、进一步地，步骤s31具体包括：
30、先利用熵权法计算各指标的权重；然后利用topsis方法求出各指标的最优解与最劣解，计算各指标距离最优解与最劣解的距离；最后计算各指标与最优解的相对接近度，以此来得到各节点对应的评分。
本文档来自技高网...【技术保护点】
1.一种采用深度双Q网络算法评估信息传播网络关键节点的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的采用深度双Q网络算法评估信息传播网络关键节点的方法，其特征在于，步骤S1具体包括：
3.根据权利要求2所述的采用深度双Q网络算法评估信息传播网络关键节点的方法，其特征在于，步骤S3具体包括：
4.根据权利要求3所述的采用深度双Q网络算法评估信息传播网络关键节点的方法，其特征在于，步骤S11具体包括：
5.根据权利要求4所述的采用深度双Q网络算法评估信息传播网络关键节点的方法，其特征在于，步骤S12中，奖励值更新函数f(rt)的表达式为：
6.根据权利要求5所述的采用深度双Q网络算法评估信息传播网络关键节点的方法，其特征在于，步骤S13中，计算各动作对应的Q值时使用的公式为：
7.根据权利要求6所述的采用深度双Q网络算法评估信息传播网络关键节点的方法，其特征在于，步骤S2中，基于节点的AverageRank值的影响力指标的计算公式为：
8.根据权利要求7所述的采用深度双Q网络算法评估信息传
9.根据权利要求8所述的采用深度双Q网络算法评估信息传播网络关键节点的方法，其特征在于，步骤S31具体包括：
...【技术特征摘要】
1.一种采用深度双q网络算法评估信息传播网络关键节点的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的采用深度双q网络算法评估信息传播网络关键节点的方法，其特征在于，步骤s1具体包括：
3.根据权利要求2所述的采用深度双q网络算法评估信息传播网络关键节点的方法，其特征在于，步骤s3具体包括：
4.根据权利要求3所述的采用深度双q网络算法评估信息传播网络关键节点的方法，其特征在于，步骤s11具体包括：
5.根据权利要求4所述的采用深度双q网络算法评估信息传播网络关键节点的方法，其特征在于，步骤s12中，奖励值更新函数f(rt)的表达式为：
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。