一种社交网络重要用户发现的实现方法
【技术领域】
[0001] 本发明涉及一种社交网络重要用户发现的实现方法，属于网络通信技术领域。
【背景技术】
[0002] 重要节点是相比网络中其他节点而言，对整个网络的结构和功能够能产生巨大作 用的少量节点。近年来，学者在重要节点排序上提出了很多指标和算法，主要有以下几个方 面：1·基于节点邻居节点的排序方法，如在文献BonacichP《Factoringandweighting approachestostatusscoresandcliqueidentification))(JournalofMathematical Sociology. 1972,2(1) :113-120)提出度中心性（degreecentrality)，即节点的邻居节点 越多其影响力越大，其缺点是仅仅考虑了节点的局部信息；2.基于路径的排序方法，如文 献FreemanLC《Centralityinsocialnetworksconceptualclarification》（Social Networks, 1978, 1 (3) :215 - 239)提出接近中心性（closenesscentrality)，通过计算节点 与网络中其他所有节点距离平均值来衡量节点的重要性，缺点是时间复杂度比较高；3.基 于特征向量的排序方法，如文献BrinS《TheAnatomyofaLarge-ScaleHypertextual WebSearchEngine))(ComputerNetworks&IsdnSystems, 1998, 30 (98) : 107 - 117) 提出PageRank算法，该算法认为每一个节点的重要性取决于指向它的其他节点的数 量和质量，缺点是容易陷入悬挂节点。文献LUL《LeadersinSocialNetworks,the DeliciousCase》（Plos0ne，2011，6(6):e21202)和文献LiQ《Identifyinginfluential spreadersbyweightedLeaderRank》（PhysicaAStatisticalMechanics&Its Applications, 2014, 404(24) :47-55)提出LeaderRank算法在PageRank算法的基础上，通 过加入了一个背景节点，该节点与网络的所有节点双向连接，来替代PageRank算法中跳转 概率s，从而提高了算法的收敛速度和鲁棒性。4.基于节点的移除和收缩的排序方法，通 过移除节点对网络的破坏性来衡量节点的重要性，但其计算复杂度高。现有的算法大多考 虑节点在全局中的重要性或者局部重要性，忽略了节点间相互作用对整个网络的影响。
[0003] SIR模型是传染病模型中最经典的模型，其中S代表易感者（Susc印tible)，指未 得病者，但缺乏免疫力，与感染者接触后容易收到感染；I代表感染者（Infective)，指染上 传染病的人，它可以传播给S类成员；R代表移除者（Removal)，指，指被隔离，或因病愈而具 有免疫力的人。通常使用SIR传播模型，来验证重要节点排序算法的有效性。一般情况下， 所选择节点的传播速度越快，即一定时间内I状态节点个数增长速度越快，节点越重要。而 本发明能够很好地解决上面的问题。
【发明内容】
[0004] 本发明目的在于克服上述现有方法的不足，提供一种社交网络重要用户发现的实 现方法，该方法基于LeaderRank算法和节点相似度的重要节点发现算法，提高网络的鲁棒 性，减少迭代次数，并且可以解决如PageRank算法在节点随机游走的情况下陷入悬挂节点 的问题。
[0005] 本发明解决其技术问题所采取的技术方案是：本发明应用于社交网络关注关系的 网络下，对网络中节点进行重要度排序，其直接的目的不是动态的抓取网络中的重要节点。 本发明的方法结合现有的社交网络，不是动态的抓取现有的社交网络中的关注关系，给出 重要节点。
[0006] 本发明的方法是基于固有的社交网络，并采用MATLAB平台作为可视化软件，将网 络的重要节点排序结果给出。
[0007] 本发明在计算节点重要度时，充分考虑节点的全局和局部特征，考虑节点对相互 作用的力度不同，即存在亲疏远近的关系，从而给出重要度计算方法。
[0008] 方法流程：
[0009] 步骤1 :对要求分析的社交网络通过关注关系构建信息收听网络Aij，采用 LeaderRank算法，计算得到每个节点的全局重要度；
[0010] 步骤2:采用定义的相似度计算两两节点的相似度，作为节点局部相互作用；
[0011] 步骤3 :采用SimRank算法，计算得到节点的重要度，对其进行排序；
[0012] 步骤4:采用SIR传播模型，对比其他经典算法，验证有效性。
[0013] 进一步的，本发明所述步骤1中，采用LeaderRank算法求解节点的全局重要度，包 含一个背景节点，LeaderRank算法包括如下步骤：
[0014]a.在原有Au的基础上，加入一个背景节点，即与网络中其他节点相互连接，得到 新的网络~/;
[0015] b.由A;/计算得1
[0016]c.根据
，不断迭代至稳定后，计算
2最终得到每个节点的LR值。
[0017] 其中1；严为节点出度，~为基本Google矩阵中的元素，η为网络节点总数， 即不包括背景节点，LRg(k)为第k步背景节点vg的重要度。
[0018] 进一步的，本发明所述步骤2中，节点相似度充分考虑节点入边和出边，相似度计 算公式为：
[0019]
[0020] 其中ai为节点vi的邻居节点的集合，γ是调节参数（〇 <γ< 1)。Iff表示 节点Vi和节点V _j共同指向的节点个数，&丨丨丨表示共同指向节点Vi和节点V _j的节点个数。
[0021] 进一步的，本发明所述步骤3中，综合节点局部和全局特征，所述SimRank算法方 程为：
[0022]
[0023] 进一步的，本发明所述步骤4中，采用SIR传播模型满足节点对之间的相互影响力 不同，邻居节点数多的一方对另一方的影响力更大；符合现实网络中，当两个人的共同好友 数一致时，好友数少的一方对认为另一方和其的关系会比好友数多的一方认为对方和其的 关系更为亲密。采用SIR传播模型满足节点对的相似度为0时，节点之间仍然有相互作用。
[0024] 有益效果：
[0025] 1、本发明是采用LeaderRank算法计算节点的全局重要度，降低了迭代次数、提高 了网络鲁棒性，并且避免了节点陷入悬挂节点。
[0026] 2、本发明引入节点相似度的概念，充分考虑节点的入边和出边对节点间相互作用 的影响。
[0027] 3、本发明提出的SimRank算法，是综合考虑节点全局和局部的特征，符合现实网 络，其排序结果更为精确。
[0028] 4、本发明采用的验证模型SIR传播模型，可以简单、直接的显示所提出的SimRank 算法的有效性。
[0029] 5、本发明是基于LeaderRank算法综合节点的局部网络特征的方程，并采用 MATLAB平台进行可视化，提高了节点重要度排序结果的精确性。
【附图说明】
[0030] 图1是本发明的架构示意图。
[0031 ] 图2是本发明的方法流程图。
[0032] 图3是本发明的实例的方法流程图。
[0033] 图4是本发明的仿真结果1的示意图。
[0034] 图5是本发明的仿真结果2的示意图。
【具体实施方式】
[00