一种基于多层潜力和社区结构的影响最大化方法与流程

技术特征：

1.一种基于多层潜力和社区结构的影响最大化方法，其特征在于：包括两个阶段，第一阶段：社区间基于多层潜力的种子扩算；第二阶段：社区内的影响传播；

在第一阶段，种子节点v尝试激活其处于未激活状态的邻居节点{u|u∈N(v),active(u)＝0}，此过程中被激活的节点记为S₁，则有其中N(S)＝∪_v∈SN(v)，接下来，S₁又会尝试激活其处于未激活状态邻居节点{u|u∈N(S₁)\S,active(u)＝0}，此过程中被激活的节点记为S₂；在第二阶段，将节点影响的范围限制在其所在的社区中，对任意的社区影响规模取决于两个因素：1)社区C_i的大小|C_i|，2)S₂的节点落在该社区的个数|S₂∩C_i|，

当|C_i|和|S₂∩C_i|越大时，该社区的影响范围就越大；

当|C_i|＞＞|S₂∩C_i|时，该社区的影响取决于|S₂∩C_i|的值；

当|C_i|≈|S₂∩C_i|时，该社区的影响取决于|C_i|的值。

2.根据权利要求1所述的基于多层潜力和社区结构的影响最大化方法，其特征在于：在第一阶段中：

节点u∈N(S)\S的激活概率为：

$p_{Su}=1-\underset{v\∈S\∩N\left(u\right)}{\Π}(1-p_{vu})---\left(4\right)$

节点v∈S的潜力为

${\inf }_S\left(v\right)=\underset{u\∈N\left(S\right)\backslash S}{\Σ}{p}_{vu}---\left(5\right)$

节点v∈S₁的潜力为

${\inf }_{S_1}\left(v\right)=\underset{u\∈N\left(S_1\right)\backslash S}{\Σ}{p}_{vu}---\left(6\right)$

节点v∈N(S)\S的潜力为：

${\inf }_{S_1}\left(v\right)=p_{Sv}.\underset{u\∈N\left(N\right(S)\backslash S)\backslash S}{\Σ}{p}_{vu}---\left(7\right)$

则表示表示|S₂|，

第一阶段的总影响为：

$f_1\left(S\right)=\left|S\right|+\left|S_1\right|+\left|S_2\right|=\left|S\right|+\underset{v\∈S}{\Σ}{\inf }_S\left(v\right)+\underset{v\∈N\left(S\right)\backslash S}{\Σ}{\inf }_{S_1}\left(v\right)---\left(8\right).$

3.根据权利要求2所述的基于多层潜力和社区结构的影响最大化方法，其特征在于：

在第二阶段中，社区C_i的影响函数如下：

$g(S_2,C_i)=\mathrm{\α}(1-\mathrm{\β}\·e^{\frac{-2\left|C_i\right|\·|S_2\∩C_i|}{\left|C_i\right|+|S_2\∩C_i|}})---\left(9\right)$

其中，α,β是非负常参数，第二阶段S₂在整个网络的影响为：

$f_2\left(S_2\right)=\underset{C_i}{\Σ}\mathrm{\α}(1-{\mathrm{\βe}}^{\frac{-2\left|C_i\right|\·|S_2\∩C_i|}{\left|C_i\right|+|S_2\∩C_i|}})---\left(10\right)$

把两阶段的影响相加，即为整个网络的影响：

$f\left(S\right)=f_1\left(S\right)+f_2\left(S_2\right)=\left|S\right|+\underset{v\∈S}{\Σ}{\inf }_S\left(v\right)+\underset{v\∈N\left(S\right)\backslash S}{\Σ}{\inf }_{S_1}\left(v\right)+\underset{C_i}{\Σ}\mathrm{\α}(1-{\mathrm{\βe}}^{\frac{-2\left|C_i\right|\·|S_2\∩C_i|}{\left|C_i\right|+|S_2\∩C_i|}}).$