一种基于影响力最大化节点评估的招聘信息匹配方法

本发明特别涉及一种基于影响力最大化节点评估的招聘信息匹配方法。

背景技术：

社交媒体中的用户、用户之间的关系构成了社交网络。社交网络是实际社会中的人以及人和人直接的复杂交互关系的一种映射，同时当前的社交网络规模巨大，承载着大量的信息，因此值得对此进行研究。社交网络的影响力最大化的分析是社交网络相关研究中的一个热点问题。影响力，指的是社交网络中，用户和用户之间通过信息的交流传递，使得彼此的观点、行为都可以受到影响，并且这种影响可以在网络中的用户之间级联扩散，从而影响到其他的用户的一种能力。而社交网络影响力最大化问题可以简单的表述为，给定一个社交网络，从中找到一小部分最具有影响力的节点作为种子节点，在一定的传播模型下，通过这些种子节点去影响网络中的其他节点，并尽可能到达最大的影响范围。但，在实际应用中精确的选择种子节点是较为困难的，若是能精准定位种子节点，无疑能使得信息的扩散达到最大。

技术实现要素：

本发明的目的是提供一种基于影响力最大化节点评估的招聘信息匹配方法，以解决背景技术中所提出的问题。

本发明的上述技术目的是通过以下技术方案得以实现的：一种基于影响力最大化节点评估的招聘信息匹配方法，包括有：

确定网络模型，给定网络模型中的节点数并组成初始节点集；

激活初始节点集内的活跃节点，并加入至活跃节点集中，同时基于初始节点集内的各活跃节点来寻找能被感染的所有相邻节点，将能被感染的节点均加入至活跃节点集，活跃节点集内的活跃节点的总数为m；

设置迭代周期阈值m-1，在迭代周期阈值m-1的周期内基于边际增益的升序对活跃节点集进行排序；

对活跃节点集内的所有活跃节点进行模型训练，筛选出核心的活跃节点作为种子节点。

进一步设置是，确定网络模型，给定网络模型中的节点数并组成初始节点集包括有：

初始化a个节点和待添加的b条边，

随机选取两个不相连的节点，并在两个节点之间添加一条边；

直至b条边添加完毕；且各条边均不重叠。

进一步设置是，激活初始节点集内的活跃节点，并加入至活跃节点集中包括有：

随机选择若干节点并将其分配至活跃状态，其他所有节点均处于非活跃状态；

对于每一个非活跃状态的节点，计算出相邻且处于活跃状态的节点数目并记作活跃值，若该节点的活跃值等于或者大于设定的阈值，则该节点转换为活跃状态；

直至活跃状态的节点数稳定，将所有处于活跃状态的节点作为活跃节点加入至活跃节点集中。

进一步设置是，在迭代周期阈值m-1的周期内基于最大边际增益的升序对活跃节点集进行排序包括有：

在第n次迭代周期中，按顺序依次比较相邻两个活跃节点的边际增益，若前一个节点的边际增益大于后一个节点的边际增益，则位置互换；否则不进行位置互换；需进行m-n次排序；

在每一次迭代周期完毕后，迭代周期阈值m-1减1，直至迭代周期阈值m-1等于0。

进一步设置是，对活跃节点集内的所有活跃节点进行模型训练，筛选出核心的活跃节点作为种子节点包括有：

将已排序的活跃节点集按序划分成多个活跃节点子集s，设定活跃节点子集s内的活跃节点数sm，从活跃节点传送至其他活跃节点的概率为pm，则

pm(n-sm)＝{(rs-1+σ)(n-sm)}/{(n-1)*t}，σ＜1；

在上式中，n为活跃节点集内的活跃节点总数，rs为活跃节点子集s的平均度，t取范围在[0,1]之间的小数；

当n趋于∞时，

pm(n-sm)＝(rs-1+σ)/t，σ＜1；

在上式中，若(rs-1+σ)/t的值大于1，则说明对应活跃节点子集s是可以向外扩散的；取(rs-1+σ)/t值最大的活跃节点子集s，并筛选出其内边际增益最大的活跃节点作为核心的种子节点。

本发明的有益效果在于：

网络信息的扩散速度能促进人们之间的交流，进而实现影响力的最大化；尤其筛选出种子节点来影响网络中的其他节点，这样能有效达到最大的影响范围，但网络中并不是所有的种子节点都具有高影响力，如何精准定位出种子节点显得非常重要。在本发明中通过确定网络模型来模拟现有的网络，并通过激活初始节点集内的活跃节点来实现一次的活跃节点采集，接着基于初始节点集内的各活跃节点来寻找能被感染的所有相邻节点，让相邻节点的有效传播带来更高的增益效应，让处于活跃状态的活跃节点来影响、带动相邻的非活跃节点，不仅能对原来活跃节点带来激励，更是为后续种子节点的筛序进行扩展，避免遗漏；然后，通过设置迭代周期阈值m-1，对活跃节点集进行排序来完成二次的可视化排序，由此来着重凸出边际增益高的活跃节点，减少后续三次筛选的时间，提高最终效率；最后，通过对活跃节点集内的所有活跃节点进行模型训练，筛选出核心的活跃节点作为种子节点，该种子节点具有成倍增长的速度进行扩展，且具有最大扩展范围，从而达到影响力最大化。

附图说明

图1为实施例的流程示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

如附图1所示，一种基于影响力最大化节点评估的招聘信息匹配方法，包括有：

确定网络模型，给定网络模型中的节点数并组成初始节点集；

激活初始节点集内的活跃节点，并加入至活跃节点集中，同时基于初始节点集内的各活跃节点来寻找能被感染的所有相邻节点，将能被感染的节点均加入至活跃节点集，活跃节点集内的活跃节点的总数为m；

设置迭代周期阈值m-1，在迭代周期阈值m-1的周期内基于边际增益的升序对活跃节点集进行排序；

对活跃节点集内的所有活跃节点进行模型训练，筛选出核心的活跃节点作为种子节点。

其中，确定网络模型，给定网络模型中的节点数并组成初始节点集包括有：

初始化a个节点和待添加的b条边，

随机选取两个不相连的节点，并在两个节点之间添加一条边；

直至b条边添加完毕；且各条边均不重叠。

其中，激活初始节点集内的活跃节点，并加入至活跃节点集中包括有：

随机选择若干节点并将其分配至活跃状态，其他所有节点均处于非活跃状态；

对于每一个非活跃状态的节点，计算出相邻且处于活跃状态的节点数目并记作活跃值，若该节点的活跃值等于或者大于设定的阈值，则该节点转换为活跃状态；

直至活跃状态的节点数稳定，将所有处于活跃状态的节点作为活跃节点加入至活跃节点集中。

其中，在迭代周期阈值m-1的周期内基于最大边际增益的升序对活跃节点集进行排序包括有：

在第n次迭代周期中，按顺序依次比较相邻两个活跃节点的边际增益，若前一个节点的边际增益大于后一个节点的边际增益，则位置互换；否则不进行位置互换；需进行m-n次排序；

在每一次迭代周期完毕后，迭代周期阈值m-1减1，直至迭代周期阈值m-1等于0。

其中，对活跃节点集内的所有活跃节点进行模型训练，筛选出核心的活跃节点作为种子节点包括有：

将已排序的活跃节点集按序划分成多个活跃节点子集s，设定活跃节点子集s内的活跃节点数sm，从活跃节点传送至其他活跃节点的概率为pm，则

pm(n-sm)＝{(rs-1+σ)(n-sm)}/{(n-1)*t}，σ＜1；

在上式中，n为活跃节点集内的活跃节点总数，rs为活跃节点子集s的平均度，t取范围在[0,1]之间的小数；

当n趋于∞时，

pm(n-sm)＝(rs-1+σ)/t，σ＜1；

在上式中，若(rs-1+σ)/t的值大于1，则说明对应活跃节点子集s是可以向外扩散的；取(rs-1+σ)/t值最大的活跃节点子集s，并筛选出其内边际增益最大的活跃节点作为核心的种子节点

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。