一种基于多层网络的影响力最大化方法

本发明属于计算机，尤其是多层网络的影响力，涉及一种基于多层网络的影响力最大化方法，根据多层网络的拓扑性质识别最优种子节点集实现传播规模最大。

背景技术：

1、影响力最大化(influence maximization)是在特定的网络传播模型下找到一组节点使得这组节点的最终影响力(传播范围)达到最大化。影响力最大化的研究具有很重要的现实意义，广泛应用在产品营销、疾病控制和个性化推荐等方面，从kempe等人证明影响力最大化问题是一个np-hard问题并提出两大经典传播模型(独立级联和线性阈值)开始，影响力最大化的研究很长一段时间都是基于单层网络，研究主题围绕寻找种子节点的算法展开。

2、当今时代，人们往往具有多个社交软件，并且会将信息传播到不同的平台之上，由不同的社交平台构成的多层网络为影响力最大化问题提供了新的思路。多层网络侧重于刻画网络中节点之间连边的方向性，多样性以及差异性，同时也是分析网络体系复杂性和网络层间的异构交互特性的有力工具，domenico等人证明了信息在多层网络上的传播效果更好，如何最大程度地促进多层社交网络上的信息传播有着重要的现实经济意义。本研究希望通过研究多层网络上的影响力最大化问题，找到运行时间以及传播效果更为优秀的算法，应用于多层网络之上，为市场营销，广告投放，谣言遏制等现实应用提供支持。

3、多层网络上的传播动力学是值得探索的课题，多层网络中层间交互耦合信息使得其动力学过程具有多样性与复杂性，而研究者们近年来开始关注多层网络上的影响力最大化问题，其中大部分算法都是将之前应用于单层网络上的算法拓展到多层网络之上，包括greedy，degree，cim，cbim，ksn等等算法。然而，如何结合多层网络的网络拓扑性质来设计影响力最大化算法还有待进一步研究。

技术实现思路

1、本发明的目的是提供一种基于多层网络的影响力最大化方法，该方法对多层网络的节点性质加以利用，通过一种启发式的联合度消减方法，用以减弱邻居重叠的情况所带来的影响，最终选出能够最大化影响规模的种子节点集。同时，本发明在保证效果的前提下也具有较低的时间复杂度。

2、本发明方法具体如下：

3、步骤(1)构建多层网络模型gm＝{g1,…,gk,…,gk}，其中gk＝{vk,ek}表示第k层网络，由层内点集vk和层内边集ek构成，k＝1,2,…,k，k表示总层数，每层节点数量相同，各层相同位置的节点一一对应；层间边仅存在于不同层的相同节点之间，连边关系由四阶张量进行表示，即第α层的i节点和β层的i节点相连；将多层网络模型中每一层的层内点集取并集，获得整个多层网络的节点集v；v＝|v1∪v2…∪vk…∪vk|，vk表示第k层网络的层内点集。

4、步骤(2)联合度消减选取种子节点：

5、(2-1)统计每层网络中每个节点在所在层的邻居节点集，将多层网络上对应节点的邻居节点集取并集，将该并集的长度作为节点的影响力值分数dm，即节点的联合度值；dm＝|n1(vm)∪n2(vm)…∪nk(vm)…∪nk(vm)|，nk(vm)表示节点vm在第k层网络的邻居节点集，m＝1,2,…,m，m为一层网络的节点总数；

6、(2-2)将联合度值d1,…,dm,…,dm按照值大小降序排列，选取联合度值最大的节点v′1作为种子节点，加入种子节点集s中，下标1表示第一轮选取；

7、(2-3)对节点集v中除已被选为种子节点以外的其他节点的联合度值进行消减：首先遍历节点集v，分别统计除已被选为种子节点以外的其他节点的一阶邻居范围内的种子节点数量n；然后对这些节点vm的联合度值进行更新，更新后的联合度值d′m＝dm-en；

8、(2-4)对更新后的联合度值d′1,d′2,…,d′m-1按照值大小降序排列，选取更新后的联合度值最大的节点v′2作为本轮选取的种子节点，加入种子节点集s中，下标2表示第二轮选取；

9、(2-5)重复操作步骤(2-3)和(2-4)，选出每一轮中的最大度值节点，并加入种子节点集中；直至选出预设r轮的种子节点，作为影响力最大的种子节点集s＝{v′1,v′2,…,v′r}。

10、步骤(3)最大化种子节点识别效果评估：

11、通过选出的作为影响力最大的种子节点集在多层网络上进行模拟传播，计算种子节点集的传播影响力范围；采用ic传播模型模拟节点在多层网络上的传播动力学过程，每个节点的状态描述为两种可能状态：不活跃和活跃；活跃的节点以概率γ感染其不活跃的邻居节点，每个被激活的节点只有一次机会去激活未被感染的邻居节点，如果未激活则不再尝试；将ic模型拓展至多层网络，保留以上性质的同时，对多层网络传播机制设计如下：

12、①传播顺序默认由最上层开始；

13、②当节点被激活，默认该节点在其他层的对应节点也具有传播能力。

14、将s作为初始种子节点在上述ic传播模型上进行模拟传播实验，计算传播终止时，统计网络中处于激活态的节点数量，网络中的活跃节点数量作为传播影响力范围，量化所选取的种子节点的传播影响力范围。

15、本发明的有益效果：本发明设计了一种启发式的联合度消减算法，结合多层网络的拓扑性质加以设计，应用于多层网络之上，实现影响力最大化。该方法充分考虑了在传播过程中会出现的传播重叠现象，即同一块区域内可能选取了不止一个种子节点，导致传播范围受限，部分边缘小集群无法被传播到。为解决该问题，采用“联合度消减”的方法，对种子节点局部范围内的节点进行一定程度的惩罚，并且惩罚的力度因局部范围内种子节点的增多而增大，在保证节点重要性的同时，不会因为惩罚力度太小而效果甚微。当信息的传播方式已经不局限于单一社交工具时，多层网络研究的重要性不言而喻，无论是在经济应用又或者是社会服务方面都具有较大的应用。该方法切合当今时代多层次、多元化的主题，从科研意义上，为多层网络的影响力最大化研究提供了新的思路和方法；从现实意义上，在多社交平台使用广泛的背景下，广告公司以最少的成本达到最大的宣传效果；政府在不同平台发布信息，提高发布信息的公信力。

技术特征：

1.一种基于多层网络的影响力最大化方法，其特征在于：

技术总结
本发明公开了一种基于多层网络的影响力最大化方法。本发明结合多层网络的拓扑性质挖掘出具有高影响力的节点集，包括模型建立，种子节点选取，以及种子节点识别效果评估三大模块。模型建立是建立多层网络模型任务；种子节点选取过程包括邻居并集预处理方法以及联合度消减算法，分别用以初步获取种子节点重要性排名，通过启发式的联合度消减算法，减弱传播重叠所带来的负面影响，重复操作，直至选出最终的种子节点集；最后通过多层网络上的模拟传播实验，评估种子节点集的实际效果。本发明综合考虑了不同层节点的差异性以及传播重叠问题，提出解决多层网络影响力最大化提供新的思路和方法，无论是经济效用又或者是社会服务方面都具有较大的应用。

技术研发人员：詹秀秀,张苏苏,刘闯,张子柯
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/1/12