35] 下面结合说明书附图对本发明创造作进一步的详细说明。
[0036] 本发明涉及的术语解释，包括：
[0037] 节点的传播重要度矩阵SIR定义为多次传播仿真网络中I状态和R状态的节点占 整个网络的比例的平均值。分别对网络中每一个节点进行传播仿真，即每一次仿真只有一 个节点处于I状态，其他节点为都为S状态，选取传播时间步为10,对每个节点进行100次 传播仿直，_此节点v;的传播重要度为：
[0038]
[0039] 其中njjj表示初始传播节点为节点v;的第j次传播仿真中经过10步传播后网络 中S状态的节点个数。
[0040] 通过计算每个算法的节点重要度和传播重要度关系，来判断算法的有效性。
[0041] 如图1所示，本发明是由SimRank算法计算被测网络的节点重要度值，再通过SIR 给出显示算法有效性的图4、图5所示，所有仿真通过MATLAB完成。
[0042] 如图2是本发明的流程图，首先构建A、,，进而计算每个节点LR值，再计算节点对 之间的相似度，从而计算每个节点的SR值，最后通过SIR传播仿真验证。
[0043] 如图3本发明实例流程图所示，其为一种基于LeaderRank算法和节点相似度的重 要节点发现方法，包括：
[0044] 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，采用LeaderRank 算法，计算得到每个节点的全局重要度。具体做法如下：
[0045] a.初始化：给每个节点赋予LR初值为卩h·;
[0046] b.通过公式计算每个节点的LR值；
[0047] c.重复b直到每个节点的LR值不在变化
[0048] 2、计算得到节点相似度矩阵SHL具体做法如下：
[0049] a.选择节点，计算与其邻居节点的相似度，得到节点相似度矩阵；
[0050] b.遍历所有节点得到节点相似度矩阵SIM。
[0051] 3、采用SimRank算法，计算得到节点的重要度，对其进行排序。
[0052] 4、对节点进行SIR传播仿真，得到节点重要性和节点传播重要性的线性关系。具 体方法包括如下：
[0053] a.初始化：选择一个节点作为R状态的节点；
[0054] b.进行10个时间步的SIR传播，得到I状态和R状态节点占网络中所有节点的比 例；
[0055] c.对选择的节点重复步骤b100次，从而得到多次仿真后节点的传播重要度SIR;
[0056] d.转至步骤a，遍历网络中其他节点。
[0057] e.绘制节点重要性和节点传播重要性的线性关系图5,其中横坐标是节点重要 性，纵坐标是节点传播重要性。
[0058] 如图4本发明仿真结果所示。PageRank、LeaderRank和SimRank节点重要度和传 播重要度的线性程度表现更好。换而言之，本算法在重要节点排序上要优于度中心性和接 近中心性。图4(c)、（d)、（e)图中圆圈标注的部分中，LeaderRank、PageRank、算法排名值 高的其SIR值低，而本算法线性程度好，可知本算法在发现重要性低的算法中，比另外两种 算法优秀；此外，图中椭圆标注中，本算法在节点重要性高的部分其离散程度低于其他两种 算法，可知本算法在发现网络重要节点更为有效。
[0059] 如图5本发明仿真结果所示。本算法的重要节点排序结果比PageRank和 LeaderRank表现更好。图5(a)、（b)、（c)为本算法与PageRank的对比结果，图（a)、（b) 中，本算法的I状态比例S:最大值超过0.5,高于PageRank算法，且前者增长时后者已 经下降了，表明本算法的传播深度高于后者，也证明了本算法选取该网络核心节点表现比 PageRank优越。图（c)中两者的相差比例更加明显，本算法的斜率高于后者，表明本算法传 播速度高于后者，说明了本算法在整个网络节点重要度排序要优于PageRank。同理，由图 5(d)、（e)、（f)本算法与LeaderRank的对比结果可知，本算法I状态的最大值和斜率都高 于后者，说明本算法无论是在发现该网络的核心节点上还是整个网络节点重要度排序上， 都要优于LeaderRank。
【主权项】
1. 一种社交网络重要用户发现的实现方法，其特征在于，所述方法包括如下步骤： 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； 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； 步骤3 :采用SimRank算法，计算得到节点的重要度，对其进行排序； 步骤4 :采用SIR传播模型，对比其他经典算法，验证有效性。2. 根据权利要求1所述的一种社交网络重要用户发现的实现方法，其特征在于，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：a. 在原有A、,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A、/ ; b. 由A;/计算得到 c. 根据，不断迭代至稳定后，计算最终得到每个节点的LR值； 其中为节点Vl的出度，％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。3. 根据权利要求1所述的一种社交网络重要用户发现的实现方法，其特征在于，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：其中a i为节点v i的邻居节点的集合，γ是调节参数（0 < γ < 1)，表示节点Vl 和节点Vj共同指向的节点个数，表示共同指向节点Vi和节点V _j的节点个数。4. 根据权利要求1所述的一种社交网络重要用户发现的实现方法，其特征在于，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：5. 根据权利要求1所述的一种社交网络重要用户发现的实现方法，其特征在于步骤4 中，是采用SIR传播模型验证算法的有效性。6. 根据权利要求4所述的一种社交网络重要用户发现的实现方法，其特征在于：采用 的算法满足与节点连接的邻居节点个数越多，节点的重要度越高。7. 根据权利要求4所述的一种社交网络重要用户发现的实现方法，其特征在于：采用 的算法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。8. 根据权利要求4所述的一种社交网络重要用户发现的实现方法，其特征在于：采用 的算法满足节点对的相似度为0时，节点之间仍然有相互作用。9.根据权利要求4所述的一种社交网络重要用户发现的实现方法，其特征在于：所述 方法应用于社交网络关注关系的网络中。
【专利摘要】本发明公开了一种社交网络重要用户发现的实现方法，该方法在求解网络中不同用户相互影响的能力时，提出节点相似度来衡量节点受其邻居节点的影响大小，综合考虑节点的局部影响力和全局影响力，得到节点的重要性。本发明的优点：1)采用了LeaderRank算法作为改进的算法，避免了如PageRank算法陷入悬挂节点的可能，并且提高了算法的收敛速度。2)节点相似度计算考虑节点的入边和出边。3)综合考虑了节点的局部和全局作用，提高了算法的准确性。
【IPC分类】G06Q50/00
【公开号】CN105335892
【申请号】CN201510732810
【发明人】朱梓嫣, 顾亦然, 孟繁荣
【申请人】南京邮电大学
【公开日】2016年2月17日
【申请日】2015年10月30日