基于信任的社会网络最大化影响节点的计算方法
【专利摘要】本发明基于信任的社会网络最大化影响节点的计算方法，更具体的说是基于信任的社会网络最大化影响节点的计算方法，涉及社交网络【技术领域】。本发明包括通过分析节点之间的交易情况计算出节点之间的信任度，根据节点之间距离的远近计算出节点间的影响值，对节点的信任度和影响值进行综合，得出节点的综合影响，将节点的综合影响和该节点当前可以激活的节点数进行综合，找出潜在影响最大的节点，将选取的节点加入到节点集中。其次，选取影响最大的节点。最后，将选取到的节点集用于发展社交网络。基于本发明涉及到用户之间的直接信任，间接信任，直接影响，间接影响，综合影响，社会网络影响等方面，在互联网网络安全等方面也具有实际应用的前景。
【专利说明】基于信任的社会网络最大化影响节点的计算方法
【技术领域】
[0001]本发明涉及社交网络【技术领域】，更具体的说，是基于信任的社会网络最大化影响节点的计算方法。
【背景技术】
[0002]近年来，随着Internet的普及和飞速发展，大量的社会网络脱颖而出，如基于恋爱关系的Friendster,基于工作关系的LinkedIn等。社会网络是社会个体和个体之间由因互动而形成的关系组成的复杂网络。这种复杂的社会网络，对信息的传播和扩散起着至关重要的作用，同时社会网络是一把双刃剑。一方面利用社会网络方便人们的交流和传播信息，比如，社会网络在反映广大群众真实的想法发面有巨大的作用。同时，通过社会网络使政府的一些工作处于人民的监督之下，为营造一个良好的社会环境起着积极的作用。另一方面，也给一些不法分子利用社会网络做出对国家和人民有害的事情以机会。因此，在利用社交网络时，如何做到扬长避短，有效监督，也是现今社会网络发展的主要问题。鉴于一些大型的社会网络的成员数目庞大，且相互之间的关系更加复杂，最终会对人们的行为产生影响。它们的出现给传统网络的社会最大化带来了巨大的挑战。已经有不少相关方面的研究。传统的如Kemple和Kleinberg提出的自然爬山贪心算法,每一步都选取当前最具有影响的节点，但是对于大型社交网络复杂度太高，并且没有综合考虑节点之间的信任度问题，并不实用。田家堂等人基于线性阈值提出了一种新式的混合式影响最大化算法，该算法分为两个阶段:启发阶段选取潜在影响最大的节点，贪心阶段选取影响最大的节点，但是没有考虑到不同的节点激活阈值不同的问题，同样也没有对节点之间的信任度进行考虑。陈浩等人提出的基于阈值的社会网络最大化影响，对不同的节点激活阈值不同的问题进行了改进，但是同样没有考虑到节点之间的信任度的重要性，忽略了其对社会网络的最大化产生的影响。
[0003]如前所述，当前社会网络的社会最大化问题研究，一般都是基于线性阈值模型和独立级联模型。目前针对社会网络影响最大化的研究，主要集中在独立级联模型下利用次模特性来减少贪心算法的复杂度上。但是都只是考虑了节点之间的影响，未曾对节点之间的信任度进行考虑。由于考虑的局限性，导致研究方法的不完善，使得最终选取的社会网络最大化影响节点的集合所取得的影响范围会相对较小。
【发明内容】
[0004]本发明的目的针对现有技术中存在的缺失和不足，提出基于信任的社会网络最大化影响节点的计算方法。
[0005]本发明是在社交网络下进行的相关问题的研究，由于社交网络是一个抽象且复杂的对象，为了方便分析，引入了图论的方法，将抽象化的社交网络形象化。并引入信任这一元素，考虑信任对激活节点的重要影响，将节点之间的信任度和影响值结合，得出综合影响值，再根据综合影响值得出社会网络影响最大化节点。[0006]本发明，基于线性阈值模型提出一种基于节点之间信任的启发式算法(如图1所示)，其基本流程:
[0007]首先，通过分析节点之间的交易情况计算出节点之间的信任度，根据节点之间距离的远近计算出节点间的影响值，对节点的信任度和影响值进行综合，得出节点的综合影响，将节点的综合影响和该节点当前可以激活的节点数进行综合，找出潜在影响最大的节点，将选取的节点加入到节点集中。
[0008]其次，选取影响最大的节点。
[0009]最后，将选取到的节点集用于发展社交网络。
[0010]本发明基于信任的社会网络最大化影响节点的计算方法，具体步骤为:
[0011]A.定义社交网络和社交网络最大化影响节点的发现、选取
[0012]B.启发阶段:⑴若未激活节点V为已激活节点u的出度节点，则V对u的信任是直接信任，计算直接信任；若V是U的可达节点，则V对U的信任是间接信任，计算间接信任。(2)若未激活节点V为已激活节点u的出度节点,则u对V的影响是直接影响,计算直接影响；若卩是u的可达节点，则u对ν的影响是间接影响，计算间接影响。(3)结合上述两种情况计算出的影响值和信任值，计算节点u的综合影响。(4)根据以上步骤得出的节点综合影响值和可激活节点数目，计算出节点的社会网络影响。(5)将启发阶段选取的社会网络影响最大的节点加入到社会网络影响最大化节点集合中。
[0013]C.贪心阶段:从剩下的节点中，选取当前拥有最多可激活节点的节点，加入到社会网络影响最大化节点集合中。
[0014]D.社会网络影响最大化节点集合的生成。
[0015]其中，所述步骤A的具体过程为:
[0016]所述社交网络以形式化为一个图G的一个有序的二元组〈V，E>,
[0017]IVI = η, V = Iv1, ν2,......vj , |Ε = m, E = {e” e2, e3......ej
[0018]将社交网络中的每个用户当作一个节点，表示为:
[0019]G= (V, E)
[0020](I)V是一个非空有穷集合，由社交网络中的用户节点组成的集合，称为顶点集；
[0021](2)E表示社交网络中用户之间的关系的有序集V&V的有穷多重子集，元素重复出现的集合，称为边集，简称为边。
[0022]所述节点是构成社交网络的主要部分，将社交网络中的每个用户看作一个节点，根据节点的状态分为:
[0023](I)已激活节点，在社交网络中，若某一用户节点购买了某一商品或者接受了某一观念，则称为关于该商品或观念的已激活节点。
[0024](2)未激活节点，在社交网络中，若某一用户节点未购买某一商品或者未接受某一观念，则称为关于该商品或观念的未激活节点。
[0025]所述节点之间的相互关系分为:
[0026](I)出度节点，在G = (V，E)中V? e F，以u作为始点的边所指向的终点的节点，称为节点u的出度节点。
[0027](2)入度节点，在G = (V，E)中，Vm e F，以u作为终点的边所对应的始点的节点，称为节点U的入度节点。
[0028](3)可达节点，在G= (V, E)中，U1可以通过特定的路径到达U2,且U2不是U1的出度节点，则称U2是U1的可达节点。
[0029](4)不可达节点,在G= (V, Ε) φ, ^UbUi ^ U1不存在路径到达U2,则称U2是U1的不可达节点。
[0030]所述社交网络最大化影响节点发现，即寻找社交网络中最具有影响的成员。
[0031]所述k个社交网络最大化影响节点的选取，即使得最终购买或传播信息的人数最
多，并引入启发因子c，在启发阶段选取个社会网络影响最大化节点，贪心阶段选取
「c^个社会网络影响最大化节点。
[0032]其中，所述步骤B的具体过程为:
[0033](I)若未激活节点V为已激活节点u的出度节点，则V对u产生的直接信任,其计算方法为:
【权利要求】
1.一种基于信任的社会网络最大化影响节点的计算方法，其特征在于，基于图论方法，其计算方法基本步骤为: 第一步，定义社交网络和社交网络最大化影响节点的发现、选取； 第二步，启发阶段； 第三步，贪心阶段； 第四步，社会网络影响最大化节点集合的生成。
2.根据权利要求1所述的基于信任的社会网络最大化影响节点的计算方法，其特征在于，所述第一步定义，包括步骤: 所述社交网络以形式化为一个图G的一个有序的二元组〈V，E>, VI = η, V = Iv1, ν2,......vj, IE = m, E = {e” e2, e3......ej 将社交网络中的每个用户当作一个节点，表示为:
G = (V, E) (一)V是一个非空有 穷集合，由社交网络中的用户节点组成的集合，称为顶点集； (二)E表示社交网络中用户之间的关系的有序集V&V的有穷多重子集，元素重复出现的集合，称为边集，简称为边； 所述节点是构成社交网络的主要部分，将社交网络中的每个用户看作一个节点，根据节点的状态分为: (一)已激活节点，在社交网络中，若某一用户节点购买了某一商品或者接受了某一观念，则称为关于该商品或观念的已激活节点； (二)未激活节点，在社交网络中，若某一用户节点未购买某一商品或者未接受某一观念，则称为关于该商品或观念的未激活节点； 所述节点之间的相互关系分为: (一)出度节点，在G= (V, E)中，VweF，以u作为始点的边所指向的终点的节点，称为节点u的出度节点； (二 )入度节点，在G = (V, E)中，Vm e F ,以u作为终点的边所对应的始点的节点，称为节点u的入度节点； (三)可达节点，在G=(V, E)中，V的，可以通过特定的路径到达％，且％不是U1的出度节点，则称U2是U1的可达节点； (四)不可达节点，在G=(V, E)中，vMMf'U1不存在路径到达U2，则称U2是U1的不可达节点； 所述社交网络最大化影响节点发现，即寻找社交网络中最具有影响的成员； 所述k个社交网络最大化影响节点的选取，即使得最终购买或传播信息的人数最多，并引入启发因子C，在启发阶段选取k-「cq个社会网络影响最大化节点，贪心阶段选取 个社会网络影响最大化节点。
3.根据权利要求1所述的基于信任的社会网络最大化影响节点的计算方法，其特征在于，所述第二步启发阶段，包括步骤: (一)直接信任与间接信任；(二)直接影响与间接影响； (三)节点综合影响； (四)社会网络影响节点计算； (五)选取社会网络影响最大化节点。
4.根据权利要求1所述的基于信任的社会网络最大化影响节点的计算方法，其特征在于，所述第三步贪心阶段，包括步骤:从剩下的节点中，选取当前拥有最多可激活节点的节点，加入到社会网络影响最大化节点集合中。
5.根据权利要求3所述的基于信任的社会网络最大化影响节点的计算方法，其特征在于，所述(一)直接信任与间接信任，还包括步骤: 若未激活节点V为已激活节点U的出度节点，则V对U的信任是直接信任，对直接信任进行计算: 其计算方法为:
6.根据权利要求3所述的基于信任的社会网络最大化影响节点的计算方法，其特征在于，所述(二)直接影响与间接影响，还包括步骤:若未激活节点V为已激活节点U的出度节点，则U对V产生直接影响，对直接影响进行计算，其计算方法为:
7.根据权利要求3所述的基于信任的社会网络最大化影响节点的计算方法，其特征在于，所述(三)节点综合影响，还包括步骤:对上述直接和间接两种情况计算出的影响值和信任值进行结果综合，计算出节点u的综合影响值； 所述综合影响，即由于节点V对U存在着直接信任和间接信任，而U对V又存在着直接影响和间接影响，为了使后序的社会网络最大化影响节点的选取工作有效快速的进行，将这四个因素有效的结合，即可以得到节点U对V的综合影响，简称CE ； 假设已激活节点U，未激活节点为V，u可以通过一定的路径到达V，引入综合因子Θ，Θ e [0,1]； (一)若未激活节点ν为已激活节点u的出度节点，则综合影响为:
CEuv= Θ DIuv+(1-Θ) DTuv (5) (二)若ν是u的可达节点，则综合影响为:
CEuv= Θ IEuv+(1-Θ) ITuv (6)。
8.根据权利要求3所述的基于信任的社会网络最大化影响节点的计算方法，其特征在于，所述(四)社会网络影响节点的计算，还包括步骤: 根据以上步骤得出的节点综合影响值和节点的可激活节点数目，计算出节点的社会网络影响，计算如下:
9.根据权利要求3所述的基于信任的社会网络最大化影响节点的计算方法，其特征在于，所述(五)选取社会网络影响最大化节点，还包括步骤:将社会网络影响最大的节点加入到社会网络影响 最大化节点的集合中。
【文档编号】G06F17/30GK104008163SQ201410234220
【公开日】2014年8月27日 申请日期:2014年5月29日 优先权日:2014年5月29日
【发明者】张波, 李美子, 宋倩倩, 胡斯卉 申请人:上海师范大学