基于社團結構挖掘算法的在線社會網(wǎng)絡信息傳播最大化方法
【技術領域】
[0001] 本發(fā)明涉及一種在線社會網(wǎng)絡中信息傳播最大化方法，在基于社團結構的傳播最 大化算法基礎上引入學習機制。
【背景技術】
[0002] 隨著在線社會網(wǎng)絡的普及與變的日益龐大，人們開始關注怎樣在在線社會網(wǎng)絡中 進行有效的信息傳播這個問題。并且提出了相關的算法。但這些算法的效率不能滿足實際 的需要。為了實現(xiàn)效率高的算法本方法在傳統(tǒng)的基于社團結構挖掘的信息傳播最大化算法 中引入了學習機制，從而提高了原有算法的效率。在傳統(tǒng)的基于社團結構的信息傳播最大 化算法的原理如下，利用社團發(fā)現(xiàn)算法把原有的網(wǎng)絡分割為不同的社團，并分別在這些社 團對應的子圖里尋找種子節(jié)點，并最終形成種子節(jié)點集合，從而進行傳播活動。這樣的做法 能夠大大提高信息傳播最大化方法的效率。但所挖掘出的社團的大小往往不一樣，因此對 于一個社團對應的子圖應分配多少個種子節(jié)點指標進行挖掘便成為了一個難題。本方法引 入學習機制，把有限的種子節(jié)點指標合理分配給諸多不同社團結構，從而解決了上面問題。 根據(jù)社團對應子圖的模塊度，大小，種子節(jié)點數(shù)與覆蓋度的關系中建立出預測模型，使得這 種模型遇到某個特定子圖時能夠迅速運算出應分配幾個種子節(jié)點指標。這樣便可合理分配 種子節(jié)點到各個不同的社團，并進行挖掘。這種方法在保證結果的合理性的基礎上提高了 系統(tǒng)的運算速度，提高了該方法的可行性。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的技術問題是，實現(xiàn)基于社團結構挖掘的在線社會網(wǎng)絡信息傳播 最大化方法，并在該系統(tǒng)中采用學習機制，以提高選取信息傳播種子節(jié)點的效率。
[0004] 為解決上述問題，本發(fā)明技術方案是：一種基于復雜網(wǎng)絡社團發(fā)現(xiàn)算法的信息傳 播最大化方法，包括如下步驟：
[0005] 1)復雜網(wǎng)絡生成階段：
[0006] a)從在線社交網(wǎng)站爬取用戶之間的鏈接關系（即一種無向圖）與用戶的操作日 志；
[0007] b)建立靜態(tài)模型（static model)，并從日志文件學習出節(jié)點之間的影響關系與影 響度值；
[0008] c)把學習到的節(jié)點之間的傳播關系與用戶鏈接關系結合并得到一個有向帶權 圖；
[0009] 2)模型訓練階段：
[0010] a)利用社團發(fā)現(xiàn)算法Walktrap對復雜網(wǎng)絡進行社團發(fā)現(xiàn)；
[0011] b)為每一個社團，輸出對應的子圖；
[0012] c)為每一個子圖進行不同種子節(jié)點選取實驗，并保存覆蓋度等實驗數(shù)據(jù)；
[0013] d)利用所產(chǎn)生數(shù)據(jù)進行訓練模型，并把得到的模型保存到指定區(qū)域以待使用；
[0014] 3)種子節(jié)點選取階段：
[0015] a)要進行挖掘的原始復雜網(wǎng)絡分割為不同的社團，并生成對應子圖；
[0016] b)導入模型訓練階段訓練好的預測；
[0017] c)利用預測模型計算出每個子圖應分配到幾個種子節(jié)點進行挖掘；
[0018] d)利用種子節(jié)點選取算法為每一個子圖選取種子節(jié)點。最終集聚所有子圖的種子 節(jié)點形成最終結果；
[0019] 4)結束。
[0020] 進一步，其中步驟l)_a中連接關系指一個用戶與另一個用戶在在線社交網(wǎng)絡中 具有朋友關系。
[0021] 進一步，其中步驟l)-a的用戶的操作日志指代表某個用戶的節(jié)點的動作記錄。 如，用戶U分享了用戶V分享過的內(nèi)容。則日志文件中會產(chǎn)生一個記錄（分享，U，分享時的 時間）。
[0022] 進一步，其中步驟l)_b中的靜態(tài)模型是為了學習節(jié)點之間的影響關系以及傳播 值（一種概率值）。
[0023] 進一步，其中步驟l)-c中生成的有向帶權圖即為后續(xù)步驟要分析的復雜網(wǎng)絡。其 中節(jié)點代表在線社會網(wǎng)絡中的用戶，有向邊表示某個用戶影響另一個用戶，邊上的權值表 示影響值（即某個用戶成功影響另一個用戶的概率）。
[0024] 進一步，其中步驟2)-a中Walktrap為一種社團發(fā)現(xiàn)算法。它的原理是從某個節(jié) 點開始隨機游走的情況下，游走者通常都會長時間逗留在一個聯(lián)系密集的節(jié)點區(qū)域（即一 個社團）。從這種原理可判定出社團。Walktrap是考慮節(jié)點之間邊上權值的一種算法，所 以非常適合本文場景。
[0025] 進一步，其中階段2)的具體過程如下：
[0026] a)利用walktrap算法挖掘步驟1)-a生成的復雜網(wǎng)絡（實際上為有向帶權圖）的 社團結構。
[0027] b)根據(jù)產(chǎn)生的社團結構把原復雜網(wǎng)絡分割為多個子圖，每一個子圖對應一個社 團。并為每一個子圖標上子圖大小，模塊度等信息。
[0028] c)為每一個子圖進行實驗，根據(jù)子圖大小和模塊度，分別利用貪心算法選擇出1， 2,……，n個種子節(jié)點進行傳播（n為圖中節(jié)點數(shù)）。然后分別記錄這些種子節(jié)點的覆蓋 度。這里覆蓋度為種子節(jié)點集成功激活的節(jié)點數(shù)在全部節(jié)點中占得比例。并把覆蓋度、子 圖大小、模塊度、所選種子節(jié)點數(shù)記錄到實驗結果里。
[0029] d)利用c)產(chǎn)生的數(shù)據(jù)對預測模型進行訓練。本系統(tǒng)采用支持向量機（support vector machine，簡稱SVM)作為學習模型。該模型的功能是計算出指定的子圖應分配多少 個種子節(jié)點進行挖掘。該模型一旦訓練完畢，可反復使用。這樣可以較高效率的計算出各 個子圖應分配多少個種子節(jié)點進行挖掘。
[0030] 進一步，其中步驟3)的具體過程如下：
[0031] a)要進行挖掘的原始復雜網(wǎng)絡分割為不同的社團，并生成對應子圖；其中該復雜 網(wǎng)絡為步驟1)生成的復雜網(wǎng)絡。
[0032] b)導入模型訓練階段訓練好的預測；不必每次都訓練預測模型。訓練一次可反復 使用。
[0033] c)利用預測模型計算出每個子圖應分配到幾個種子節(jié)點進行挖掘；
[0034]d)利用種子節(jié)點選取算法為每一個子圖選取種子節(jié)點。種子節(jié)點選取時選取當今 效率最高的貪心算法。最終集聚所有子圖的種子節(jié)點形成最終結果；
[0035] 進一步，其中步驟3) _d產(chǎn)生的種子節(jié)點集合是在線社會網(wǎng)絡中初始傳播的節(jié)點。 這些節(jié)點會得到一定優(yōu)惠以后把要傳播的信息傳播給他的朋友，他的朋友傳播給朋友的朋 友，如此實現(xiàn)傳播范圍的擴大。
[0036] 本發(fā)明有益效果：解決對于一個社團對應的子圖應分配多少個種子節(jié)點指標進行 挖掘，通過引入學習機制，把有限的種子節(jié)點指標合理分配給諸多不同社團結構，從而解決 了現(xiàn)有問題。根據(jù)社團對應子圖的模塊度，大小，種子節(jié)點數(shù)與覆蓋度的關系中建立出預測 模型，使得這種模型遇到某個特定子圖時能夠迅速運算出應分配幾個種子節(jié)點指標。這樣 便可合理分配種子節(jié)點到各個不同的社團，并進行挖掘。這種方法在保證結果的合理性的 基礎上提高了系統(tǒng)的運算速度，提高了該方法的可行性。從而實現(xiàn)基于社團結構挖掘的在 線社會網(wǎng)絡信息傳播最大化方法，并在該系統(tǒng)中采用學習機制，以提高選取信息傳播種子 節(jié)點的效率。
【附圖說明】
[0037] 圖1展現(xiàn)社會網(wǎng)絡信息傳播最大化方法總體流程。
[0038] 圖2展現(xiàn)復雜網(wǎng)絡生成階段。
[0039] 圖3