一种基于活跃度的社交网络影响力最大化方法
【专利摘要】本发明公开了一种基于活跃度的社交网络影响力最大化方法，包括如下步骤：构建精简网络G′；根据节点活跃度ACT属性，选取活跃度ACT属性值高的节点进入ACT节点集H；依据节点活跃度ACT属性值与影响力大小，计算节点影响力综合值aps(v)；循环选取k个种子节点，每选取出一个种子节点都要更新网络中节点影响力综合值aps(v)。结果表明，基于IC模型引入了活跃度属性，模型的扩展使社交网络影响力最大化问题更科学，ACH算法在影响范围上接近KK贪婪算法的影响范围，并且在时效性上有非常好的表现。
【专利说明】一种基于活跃度的社交网络影响力最大化方法
【技术领域】
[0001] 本发明属于计算机信息技术应用领域，涉及社交网络影响力最大化技术，具体为 一种基于活跃度的社交网络影响力最大化种子节点选择方法。
【背景技术】
[0002] 社交网络由海量的用户及用户间复杂的关系（包括亲属关系，朋友关系，同学关 系，工作关系等）所组成，不同于传统网络，社交网络中信息的传播与扩散依赖于用户间的 关系。如何使信息在网络中能被尽可能多的用户所接收，即社交网络影响力最大化问题， 为当前社交网络及其应用研究热点。Richardson, M.在文献《Mining knowledge-sharing sites for viral marketing》、 以及 Domingos, P.在《Mining the network value of customers》中均将这一问题归纳为一社交网络影响力最大化算法设计问题，即在社交网络 中如何选择K个最具传播影响力的初始节点，通过迭代，使得信息在整个网络中的传播最 大化。
[0003] 目前，研究者所提出的相应算法包括两大类，一类是影响范围接近最优的贪婪爬 山算法，另一类是时效性优越的启发式算法；相对而言，由于启发式算法能更好的适应大型 社交网络，为当前研究的主要方向。现有启发式算法所基于的影响力传播模型有两种，分别 为独立级联（1C)模型和线性阈值（LT)模型，其中1C模型，为算法主要使用的模型，激活规 则是传播模型的核心。1C模型中所采用的激活规则认为，在邻居节点被激活的概率为p (u， v)的状态下，处于激活状态的节点会100%自发地向邻居节点执行激活行为。
[0004] 然而，由实际分析可知，初始节点的选择效果取决于两方面，首先是如何定义节点 影响力，其次算法执行效果影响也很大。现有研究常用的独立级联（1C)信息传播模型，一 般基于节点邻居节点的数量和节点对邻居节点的激活概率这两个属性计算节点影响力，不 难分析，该计算方法存在两个问题：第一个在于徒有影响力的用户，即部分影响力很高的用 户，由于自身活跃度低，并没有真正发挥影响力来传递信息，这些徒有影响力的节点不应该 入选种子节点集；第二个问题在于传递力有限的激活用户，传统1C模型中认为激活状态 的节点就会100%地对其邻居节点执行再激活行为，但事实是激活用户的再激活力远低于 100 %，这个关系到整个传播过程在何时结束。
【发明内容】
[0005] 本发明的目的是进一步优化社交网络影响力最大化算法的时效性与实际影响范 围。实现本发明目的的基本技术思路是提供一种基于活跃度的社交网络影响力最大化算 法。
[0006] 具体技术方案包括：
[0007] -种基于活跃度的社交网络影响力最大化方法，包括如下步骤：
[0008] 1)构建精简网络(V ;
[0009] 2)根据节点活跃度ACT属性，选取活跃度ACT属性值高的节点进入ACT节点集Η ;
[0010] 3)依据节点活跃度ACT属性值与影响力大小，计算节点影响力综合值aps(v);
[0011] 4)循环选取k个种子节点，每选取出一个种子节点都要更新网络中节点影响力综 合值 aps (v)。
[0012] 进一步，所述步骤2)中选取活跃度ACT属性值的过程，采用节点出度来产生一 个0?1之间的随机数的方式，在基于活跃度的独立级联模型AIC中，根据节点间活跃度 ACT(ACTe [0，1])的不同，处于激活状态的节点是否去激活邻居节点的概率也不同，如果 活跃度越高，那么去激活邻居节点的概率也越高，反之则越低。
[0013] 进一步，所述步骤3)的具体过程为：首先对于活跃度ACT节点集中的每一个节点 做遍历；然后综合考虑节点的ACT属性值与影响力大小，节点综合影响力定义如下：
【权利要求】
1. 一种基于活跃度的社交网络影响力最大化方法，其特征在于：包括如下步骤： 1) 构建精简网络G'; 2) 根据节点活跃度ACT属性，选取活跃度ACT属性值高的节点进入ACT节点集Η ; 3) 依据节点活跃度ACT属性值与影响力大小，计算节点影响力综合值aps(v); 4) 循环选取k个种子节点，每选取出一个种子节点都要更新网络中节点影响力综合值 aps (v)〇
2. 根据权利要求1所述的基于活跃度的社交网络影响力最大化方法，其特征在于：所 述步骤2)中选取活跃度ACT属性值的过程，采用节点出度来产生一个0?1之间的随机数 的方式，在基于活跃度的独立级联模型AIC中，根据节点间活跃度ACT(ACTe [〇，1])的不 同，处于激活状态的节点是否去激活邻居节点的概率也不同，如果活跃度越高，那么去激活 邻居节点的概率也越高，反之则越低。
3. 根据权利要求1所述的基于活跃度的社交网络影响力最大化方法，其特征在于：所 述步骤3)的具体过程为：首先对于活跃度ACT节点集中的每一个节点做遍历；然后综合考 虑节点的ACT属性值与影响力大小，节点综合影响力定义如下 ：
其中ACTV为节点v的活跃度属性值，dv为节点v的出度，N(v)为节点v的邻居节点集， 节点u e Ν(ν)为节点ν的邻居节点，p(v，u)为节点ν的邻居节点被节点ν激活的概率。
4. 根据权利要求1所述的基于活跃度的社交网络影响力最大化方法，其特征在于：所 述步骤4)中当一个节点被选择作为种子节点时，还需要进行如下操作步骤： a) 模拟这个节点的影响力传播过程，并对传播过程中的边做标记； b) 更新网络节点与节点间的边； c) 更新节点出度； d) 更新节点影响力综合值aps (v)。
5. 根据权利要求1所述的基于活跃度的社交网络影响力最大化方法，其特征在于：所 述步骤4)中在挑选aps (v)最大值的节点作为种子节点时还需要考虑节点v的邻居节点u 的ACT属性值。
【文档编号】G06F17/30GK104050245SQ201410243677
【公开日】2014年9月17日 申请日期:2014年6月4日 优先权日:2014年6月4日
【发明者】周莲英, 朱锋, 郭远, 郑吉 , 喻志浩 申请人:江苏大学