基于离散粒子群优化的多层网络上的影响力最大化方法

背景技术：

1、随着技术的发展，在线社交网络已经成为了信息传播的主要平台。在社交网络中寻找有影响力的节点帮助推广信息，是一种常见的推广手段，被称为“病毒营销”策略。这种方式不但可以快速推广产品还可以节约推广成本。传统的影响力最大化问题研究的是在单层网络上的信息传播，然后现实生活中存在着许多无法用单层网络表示的异质关系，这种情况下就需要用多层网络为其建模。例如，一个用户在facebook、twitter和微信上都有帐号，将三个平台建模为一个多层网络能够更充分的利用用户的社交关系帮助推广产品。综上，多层网络上的影响力最大化问题的研究有其现实意义。

2、虽然目前对于多层网络上影响力最大化的研究已经取得了一定的成果，但由于多层网络的高度复杂性，多层网络上传播过程的模拟以及节点选择算法的效果都有待提升。

3、考虑到多层网络独特的传播性质,简单的使用单层网络上的模型在每一层中进行模拟并叠加结果的方式并不现实，因此如何为多层网络上的信息传播过程建模需要进一步被考虑。

4、多层网络上的影响力最大化问题与单层网络相似,也存在效率和准确性的平衡问题.贪心算法可以获得有理论保证的效果,但效率很低,无法运用到大型数据集上,还存在陷入局部最优解的风险.启发式算法可以快速得到结果,但会受到网络拓扑的影响,结果的质量得不到保证。

技术实现思路

1、本发明的目的就在于克服上述缺陷,提供一种基于离散粒子群优化的多层网络上的影响力最大化方法,首先定义多层网络中信息传播模型，然后通过随机连通中心性剔除多层网络中不重要的节点，形成候选节点集。

2、为了实现上述发明目的，本发明采用的技术方案如下：

3、基于离散粒子群优化的多层网络上的影响力最大化方法，基于离散粒子群的多层网络影响力最大化方法使用随机连通中心性在多层网络上选择候选节点，然后使用离散粒子群算法在候选节点中选择种子集。基于离散粒子群优化的多层网络上的影响力最大化方法，包括如下步骤：

4、s1输入多层网络；

5、s2定义多层网络上的独立级联模型；

6、s3使用随机连通中心性从多层网络中选取候选节点；

7、s4使用离散粒子群优化算法在候选节点中选择种子集。

8、进一步地，所述步骤s2：为了模拟信息在多层网络上的传播过程，本专利定义了多层网络上的独立级联模型。

9、进一步地，所述步骤s3：为了能够缩减搜索空间，提高离散粒子群算法的收敛速度，本专利提出里一种基于有偏随机游走的中心性指标随机(连通中心性)去剔除不重要节点，选择候选节点。随机连通中心性通过随机游走的路径发现高频访问节点，从而衡量节点的重要性。这种中心性指可以衡量节点的全局重要性，弥补了步骤s3中离散粒子群算法选取的适应性函数的缺点。

10、进一步地，所述步骤s4：通过步骤s1输入一个多层网络，通过步骤s3在该网络中选取一定数量的候选节点，然后通过步骤s4在网络中选择一定数目的节点，初始化离散粒子群算法的种群，利用规则更新种群中个体的位置向量，最终获得最优的种子集。利用离散粒子群算法发现种子集，可以缓解解陷入局部最优的问题。

11、通过本发明，提供一种基于离散粒子群的多层影响力最大化方法。首先根据信息在多层网络上的传播特性，定义了多层网络上的独立级联(mlic)模型。考虑到蒙特卡洛模拟现实的mlic模型复杂度高，本方法提出了多层期望传播值(mledv)来近似mlic的效果。mledv计算的是被种子节点激活的一跳邻居的期望数目，因此其衡量的是节点的局部重要性。然后，本方法使用随机连通中心性指标衡量节点重要性，并根据节点重要性选择候选节点集。随机连通中心性基于有偏随机游走，从连通性的角度衡量节点重要性。最后，本方法使用离散粒子群算法选出种子集。其中离散粒子群算法将mlic用作适应性函数，和随机连通中兴性互补，既考虑全局重要性也考虑局部重要性。

技术特征：

1.基于离散粒子群优化的多层网络上的影响力最大化方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于离散粒子群优化的多层网络上的影响力最大化方法，其特征在于，步骤s2中，为了模拟信息在多层网络上的传播过程，定义多层网络上的独立级联模型。

3.根据权利要求1所述的基于离散粒子群优化的多层网络上的影响力最大化方法，其特征在于，步骤s3中，为了能够缩减搜索空间，提高离散粒子群算法的收敛速度，提出里一种基于有偏随机游走的连通中心性的中心性指标随机去剔除不重要节点，选择候选节点；随机连通中心性通过随机游走的路径发现高频访问节点，从而衡量节点的重要性；这种中心性指可以衡量节点的全局重要性，弥补了步骤s3中离散粒子群算法选取的适应性函数的缺点。

4.根据权利要求1所述的基于离散粒子群优化的多层网络上的影响力最大化方法，其特征在于，步骤s4中，通过步骤s1输入一个多层网络，通过步骤s3在该网络中选取一定数量的候选节点，然后通过步骤步骤s4在网络中选择一定数目的节点，初始化离散粒子群算法的种群，利用规则更新种群中个体的位置向量，最终获得最优的种子集；利用离散粒子群算法发现种子集，可以缓解解陷入局部最优的问题。

技术总结
本发明涉及一种基于离散粒子群优化的多层网络上的影响力最大化方法，首先根据信息在多层网络上的传播特性，定义了多层网络上的独立级联(MLIC)模型。考虑到蒙特卡洛模拟现实的MLIC模型复杂度高，本方法提出了多层期望传播值(MLEDV)来近似MLIC的效果。MLEDV计算的是被种子节点激活的一跳邻居的期望数目，因此其衡量的是节点的局部重要性。然后，本方法使用随机连通中心性指标衡量节点重要性，并根据节点重要性选择候选节点集。随机连通中心性基于有偏随机游走，从连通性的角度衡量节点重要性。最后，本方法使用离散粒子群算法选出种子集。其中离散粒子群算法将MLIC用作适应性函数，和随机连通中兴性互补，既考虑全局重要性也考虑局部重要性。通过本发明，首先定义多层网络中信息传播模型，然后通过随机连通中心性剔除多层网络中不重要的节点，形成候选节点集。

技术研发人员：刘维,王赛威
受保护的技术使用者：扬州大学
技术研发日：
技术公布日：2024/1/22