基于候选节点集合的社交网络影响力最大化方法

本发明属于网络技术数据挖掘技术与社会网络研究领域，特别涉及一种基于候选节点集合的影响力最大化方法。

背景技术：

1、在当前社会中，在线社交网络已经成为传播信息的最重要媒体之一。近年来对社交网络影响力最大化的研究逐渐成为研究热点。影响力最大化的目标是选择k个源用户，通过这k个用户的信息传播，来最大限度地扩散信息，以影响尽可能多的人。然而，现有的影响力最大化方法主要分为基于启发式和基于贪心两类，其中，基于启发式的影响力最大化方法执行效率高，但没有实际模拟影响力扩散的过程，缺乏理论保障，同时由于可能存在节点影响力覆盖问题而导致准确率一般较低；基于贪心的影响力最大化方法会进行实际影响力传播模拟，具有一定的理论保障，一般能获得较高的准确率，但其执行过程需要较多的蒙特卡洛模拟，因此计算时间复杂度很高，难以应用于规模较大的社交网络。

技术实现思路

1、为了克服现有的基于启发式的影响力最大化方法缺乏理论保障，准确率较低、以及现有的基于贪心的影响力最大化方法计算时间复杂度高，不适合在大规模网络中应用的不足，本发明公开了一种基于候选节点集合的社交网络影响力最大化方法cmi_celf(influence maximization algorithm based on community and mixed index andcelf，简称cmi_celf)，该方法通过将启发式思想和贪心思想二者融合，将求解过程分为启发式阶段和贪心阶段，其中，启发式阶段通过社团结构以及混合指标选择出候选节点集合，贪心阶段通过贪心算法celf从候选节点集合中选择出使社交网络获得最大影响力的k个种子节点。通过上述步骤挖掘影响力最大化节点，具有时间复杂度低且准确率高的特点。

2、本发明解决其技术问题所采用的技术方案：基于候选节点集合的社交网络影响力最大化方法，其特点是包括下述两个阶段：

3、(a)启发式阶段。

4、1.使用louvain算法对社交网络划分社团，每轮会将节点划分到模块度增益最大的社团中，然后将合并后的社团当作新的节点，重复以上过程，直到算法稳定，此时该社交网络就会被划分为多个规模较小、内部联系紧密的社团，其中模块度增益的计算公式如下：

5、

6、式中，ki,in表示节点i与要移入的社团c相连的边的数目之和；∑tot表示与社团c内部节点相连的边的数目之和；ki表示节点i与网络其它节点所有连边总数目；m指当前网络中的连边总数目。

7、2.计算节点影响力。首先，计算社交网络中每个节点的度中心性值和接近中心性值，同时分别记录二者中的最大值。其中节点v的度中心性dcv与接近中心性ccv计算公式分别如下：

8、dcv＝kv    (2)

9、

10、式中，n是网络的节点总数目；kv是节点v的度值；dvu表示节点v到网络中其余节点的最短距离。

11、然后，基于此计算节点v的混合指标mixedindv，其计算公式如下：

12、

13、式中，dcv表示节点的度中心性；ccv表示节点的接近中心性；max_dc表示社交网络中最大的度中心性值；max_cc表示社交网络中最大的接近中心性值；α(α∈[0.1,0.9])是混合指标中的参数，用来控制混合指标中节点度中心性和接近中心性的比例，以提高在不同社交网络中的扩展性。

14、最后，将计算出的混合指标值作为节点的影响力大小。

15、3.选择候选节点集合。在每个划分后的社团中选出部分影响力大小排序靠前的节点组合成候选节点集合。

16、(b)贪心阶段

17、使用celf算法对候选节点集合进行蒙特卡洛模拟，每轮中选择出该集合中影响力增益最大的节点加入到种子集合，直到种子集合中节点数目达到k时停止，其中k为要筛选的种子节点个数。

18、本发明的有益效果是：启发式阶段利用了社交网络中的社团结构以及混合指标来选择候选节点集合，其中，社团结构可以有效减小节点间影响力覆盖，混合指标则综合考虑了节点的度中心性和接近中心性，使得对节点的影响力大小计算更加全面准确；贪心阶段利用了celf算法选择出使社交网络获得最大影响力的k个种子节点，由于celf算法作用在节点数目较少的候选节点集合而不是整个网络，从而缩短了算法整体执行时间，且在理论层面也一定程度上保证了算法的准确性。本发明具有与celf算法相近的传播效果，但运行时间更短的优点。

19、图1为本发明的执行流程图，图2为一个社交网络被划分为多个社团的实例效果图，从图3、4可以看出在不同数据集上，本发明的影响力传播范围与celf算法相近，从图5可以看出本发明的执行效率明显优于celf算法。

20、下面结合附图和具体实施方式对本发明作详细说明。

技术特征：

1.基于候选节点集合的社交网络影响力最大化方法，其特征在于包括以下步骤：

技术总结
本发明公开了一种基于候选节点集合的社交网络影响力最大化方法。该方法包括以下步骤：(1)使用Louvain算法对社交网络进行社团划分，得到多个规模较小的社团。(2)使用混合指标计算社交网络中每个节点的影响力大小。(3)在每个划分后的社团中，选取部分影响力大小排名靠前的节点，以此组合成候选节点集合。(4)使用CELF算法从候选节点集合中选择出使社交网络获得具备最大影响力的k个种子节点。本发明综合考虑了社交网络的社团结构、社交网络节点的度中心性和接近中心性、以及CELF算法，相对于CELF算法，本发明在不牺牲模型准确率的同时具备更高的执行效率。

技术研发人员：沈华,李伟东,慕德俊,郭森森,李晓宇
受保护的技术使用者：西北工业大学
技术研发日：
技术公布日：2024/4/7