基于社区发现的社交网络影响力阻断最大化算法北大核心CSCD

随着社交网络的日益普及,社交网络已经成为信息传播的主要平台之一。由于对社交网络内容监管相对困难,导致一些负面信息容易快速扩散并产生较大的不良影响。影响力阻断最大化问题旨在寻找需要采用正影响的节点集,使信息传播过程中被负向消息影响的节点数量最小化。针对现有社交网络影响力阻断算法运行时间复杂度较高的问题,文章提出了基于社区发现的影响力阻断最大化算法,该算法首先使用社交网络节点的扩展h指数中心性来选择候选种子节点;然后以这些种子节点为起点,利用标签传播算法发现社交网络中的社区;接着通过计算社交网络社区的关系矩阵及当前关系矩阵的模块度对社区进行合并;最后,计算初始种子节点的标签度量等级,选取前k个节点作为具有最大阻断影响力的成员。实验结果表明,该算法阻断性能好,且时间复杂度低。     

社交网络中一种快速精确的节点影响力排序算法

在大规模在线社交网络中,通过对用户影响力进行排序找出其中最具影响力的节点（集合）是一个很重要的研究方向,对于有效控制信息扩散、舆情分析和控制、精准营销等均有重要的作用。已有的节点影响力排序算法或者需要网络的全局拓扑信息来计算单个节点影响力（如基于介数中心性的算法）而时间开销过大,不适用于大规模网络;或者基于传统的网页排序算法（如PageRank）而不能很好地处理社交网络中存在着大量“末梢”节点的问题以及不同用户之间的联系强度不同的问题。在传统的PageRank算法的基础上做出了两点改进。首先,通过在PageRank算法的权值回收步骤中考虑对不同的连接赋予不同的权值,有效避免了末梢节点带来的影响。其次,在PageRank算法的投票过程中考虑邻居个体的差异性,提出了一种基于半邻域信息的节点权值分配方法,有效提高了节点排序的准确度。在一个包含大约15 000个用户的样本网络中,我们所提出的改进算法能够找出前1 000个最有影响力的节点中的40%以上的节点,而传统的PageRank算法仅能找出其中11%的节点。同时,相比于基于介数中心性的算法,所提出的改进算法以小得多的时间开销达到了相近甚至更好的排序准确度。     

社交网络影响力研究综述

互联网正逐步演变为无处不在的计算平台和信息传播平台。在线社交网站、微博、博客、论坛、维基等社交网络应用的出现和迅猛发展,使得人类使用互联网的方式产生了深刻变革——由简单信息搜索和网页浏览转向网上社会关系的构建与维护、基于社会关系的信息创造、交流和共享。社交网络中个体间的交互形成影响力,社交网络中的影响力主要依赖个体间的关系强度、个体间的网络距离、时序因子以及网络特征与个体特征等。影响力分析技术的相关研究主要包括个体间的影响强度度量技术、个体影响力度量技术、影响力扩散机制等。     

一个有效的动态网络节点影响力模型

网络节点影响力度量对社会网络研究具有重要的价值,静态网络的影响力度量是目前研究的主要问题。然后社会网络的结构经常会随着时间变化,呈现出动态网络。静态网络节点影响力度量模型虽然可以对动态网络不同时间点上的快照进行度量,然后这种机制很难刻画动态网络节点影响力的变化过程。本文将动态网络建模为不同时间点网络的叠加快照,然后构建了动态网络边权重衰减和节点影响力衰减机制,基于衰减机制提出了动态网络节点影响力模型,模型可以应用于加权或无权动态网络节点影响力度量。为了客观衡量本文模型的性能,在一个模拟网络和三个真实网络进行了不同实验。在模拟网络上,将结果与人工标注的结果计算肯德尔系数,针对三个真实网络则进行了不同角度的影响力效果分析。实验结果表明本文模型不仅可以较好的刻画动态网络节点影响力的变化过程,还可以准确度量动态网络节点影响力。     

利用社交网络的影响力骨架探索信息传播

理解社交网络上的信息传播机制,通常包括对拓扑结构的分析和对用户行为的分析。由于社交网络上连边的强度具有异质性,只有一部分连边对于信息传播有实质作用,构成隐藏在社交网络中的影响力骨架。对影响力骨架的拓扑研究可帮助我们获得比直接研究社交网络拓扑结构更深入的认识。我们从连边正负性和个体节点角色分化入手,探讨了微观层面连边和节点在信息传播中的作用,进而从宏观层面分析信息传播所依赖的影响力骨架的连通性和扩散效率,发现信息传播具有一定程度的脆弱性,且其传播效率低于对社交网络本身研究的预期。     

群体对个体影响力传播算法

随着社交网络的不断发展,研究群体对个体的影响力将有助于分析决策的演化过程,为决策者提供更好的帮助。而目前的研究仍基本聚焦在个体对个体的演化交互,很少有从群体出发研究对个体产生影响的方法。提供了一种基于K-Shell,节点贡献度,以及节点间亲密度因子来测算出群体对个人影响力大小的算法。通过与K-Shell算法对比及SI传播模型仿真实验表明,能够更准确的表征群体对个体的影响力,以期能更全面地为决策者描述群体在演化过程中的真实行为。     

融合行为和语义的节点影响力分析

社交网络中节点影响力研究在信息传播、舆情监督、社会化商务等领域有重要作用。提出融合行为和语义的节点影响力分析方法--BSA（Behavior and Semantics Analysis）方法。该方法先通过基于Cox模型的时间衰减行为矩阵方法计算受者行为影响力,然后通过语义分析方法计算施者行为影响力,最后融合施者行为影响力与受者行为影响力来计算节点的影响力。仿真实验表明,提出的方法可以较真实地反映社交网络中节点的影响力。     

基于手机通话网络的人类交互行为分析

移动通信行为是社会生活的重要组成部分,手机通话网络是一种重要的社交网络,深入分析手机通信网络的拓扑特征对认识社交网络和人类行为特性具有重要的意义。基于复杂网络相关理论,提出了多重时变通信网络模型,在此基础上,对一个手机通信数据集进行分析挖掘,得到了人类动力学角度的行为模式。首先构建了手机通话网络,然后从群体和个体两个尺度对网络度分布、度演化、通话时长、呼叫间隔等指标进行了研究,发现网络整体上呈现明显的无标度特征,个体行为与节点度密切相关,而群体度演化过程则显示了特定地区社会生活特征,相关结果对于社会网络分析和人类行为动力学研究具有重要的意义。     

基于节点演化分阶段优化的事件检测方法

链路预测技术是分析网络演化的有效方法,也为社会网络事件检测提供了一种新思路。当前采用链路预测进行事件检测的方法大多是从宏观的网络演化入手,也有少数结合节点演化的检测方法,但其稳定性不佳,对事件的敏感性也不够高,不能准确检测事件的发生。基于以上问题,提出了一种基于节点演化分阶段优化的事件检测方法(Node Evolution Staged Optimization,NESO_ED)。首先通过分阶段优化的方法加强事件检测的稳定性,并获取节点指标权重数组;然后根据不同阶段按不同规则选取节点的最佳相似性计算指标,使节点能更好地量化网络演化情况,以此提高事件检测的敏感性。此外,分析了网络演化过程中节点选取指标的变化情况,揭示了事件发生对节点演化产生的不同影响。基于真实社会网络VAST进行对比实验,结果显示NESO_ED方法在事件检测敏感性上比LinkEvent方法提高了227%,比NodeED方法提高了63%,NESO_ED方法的稳定性也比NodeED方法提高了66%,这表明NESO_ED方法能更加准确且稳定地进行事件检测。     

面向节点演化波动的社会网络事件检测方法

社会网络特征千差万别,演化规律错综复杂.合理地分析网络演化规律,及时地检测网络事件具有重大意义.基于链路预测的社会网络事件检测方法利用有限的网络拓扑信息,能够有效地发现网络演化的异常波动,准确地检测网络事件.然而,现有方法大多受到链路预测的宏观评价指标的限制,忽略了不同节点演化波动的差异,用相同的相似性计算指标去描述所有节点的演化波动,不利于提升事件检测的表现.为了进一步提升事件检测的精确性和敏感性,提出一种面向节点演化波动的社会网络事件检测方法NodeED,由节点相似性计算指标判定算法SimJudge和网络微观演化波动检测算法MicroFluc组成.主要工作如下：（1）结合粒子群优化算法,提出SimJudge定量地比较不同的相似性计算指标对节点演化波动的描述程度,确定每个节点在不同时段的最佳相似性计算指标;（2）为了量化事件对网络演化的影响,提出了MicroFluc,充分考虑节点演化波动的差异,从节点演化波动的角度对不同时段的网络整体演化波动进行定量评估;（3）在真实社会网络VAST和ENRON中进行对比实验,其结果表明,NodeED在VAST中的事件敏感性提升了100%,在ENRON中的事件敏感性提升了50%,更有利于精确地检测社会网络中发生的事件.     

基于社区的动态网络节点介数中心度更新算法

随着互联网技术的迅猛发展,社会网络呈现出爆炸增长的趋势,传统的静态网络分析方法越来越难以达到令人满意的效果,于是对网络进行动态分析就成为社会网数据管理领域的一个研究热点。节点介数中心度衡量的是一个节点对图中其他点对最短路径的控制能力,有利于挖掘社会网络中的重要节点。在图结构频繁变化的场合,若每次变化后都重新计算整个图中所有节点的介数中心度,则效率将会很低。针对动态网络中节点介数中心度计算困难的问题,本文提出一种基于社区的节点介数中心度更新算法。通过维护社区与社区、社区与节点的最短距离集合,快速过滤掉那些在网络动态更新中不受影响的点对,从而大大提高节点介数中心度的更新效率。真实数据集和合成数据集上的实验结果表明了论文所提算法的有效性。     

基于社团结构的节点的影响力分析*

复杂网络中最具影响力节点的识别对网络动力学如加速信息的扩散或抑制流言的传播都具有重要影响意义。为了给节点影响力做出具体排序,在已有的各种最具影响力节点识别方法的基础上,提出了一种基于社团结构和k-shell节点法的节点影响力识别方法,基本思想为利用某个节点处于不同社团的邻居节点的ks值判断节点影响力（称为Nc值）——识别ks值相同的节点的不同影响力。并通过单感染源传染的SIR模型进行仿真,发现Nc值较高的节点不仅最终节点的影响范围较大,传播速度也快于其他节点。     

融合聚集系数的链接预测方法

许多基于网络结构信息的链接预测算法利用节点的聚集程度评估节点间的相似性,进而执行链接预测;然而,该类算法只注重网络中节点的聚集系数,没有考虑预测节点与共同邻居节点之间的链接聚集系数对节点间相似性的影响。针对上述问题,提出了一种融合节点聚集系数和非对称链接聚集系数的链接预测算法。首先,计算共同邻居节点的聚集系数,并利用共同邻居节点对应的两个非对称链接聚集系数计算该预测节点的平均链接聚集系数;然后,基于Dempster-Shafer证据理论将两种聚集系数进行融合生成一个综合性度量指标,并将该指标应用于中间概率模型（IMP）,得到一个新的节点相似性指标（IMP_DS）。在9个网络数据上的实验结果表明,该算法的受试者工作特征（ROC）的曲线下方面积（AUC）与精度值（Precision）优于共同邻居（CN）、Adamic-Adar（AA）、资源分配（RA）指标和基于共同邻居的中间概率模型（IMP_CN）。     

基于节点亲密度的重要性评估算法

识别复杂网络中的重要节点一直是社会网络分析和挖掘领域的热点问题,有助于理解有影响力的传播者在信息扩散和传染病传播中的作用。现有的节点重要性算法充分考虑了邻居信息,但忽略了邻居节点与节点之间的结构信息。针对此问题,考虑到不同结构下邻居节点对节点的影响力不同,提出了一种综合考虑节点的邻居数量和节点与邻居间亲密程度的节点重要性评估算法,其同时体现了节点的度属性和"亲密"属性。该算法利用相似性指标来测量节点间的亲密程度,以肯德尔相关系数为节点排序的准确度评价指标。在多个经典的实际网络上利用SIR(易感-感染-免疫)模型对传播过程进行仿真,结果表明,与度指标、接近中心性指标、介数中心性指标与K-shell指标相比,KI指标可以更精确地对节点传播影响力进行排序。     

MSN下基于亲缘关系的分族分层机会路由算法

移动社会网络(Mobile Social Network,MSN)具有社会网络特征,移动智能终端设备由于自身资源限制,往往表现出节点自私性。现有研究主要集中于解决节点个体自私性,而忽视了对节点社会自私性的甄别与利用。因此,文中提出了一种基于亲缘关系的分族分层路由算法。首先,在依据亲缘关系指数分族分层的社区和集群中,自荐的节点通过比较综合举荐值产生族节点和中继节点。然后,以亲缘关系预测的转移概率为转发依据,借助族节点和中继节点优化盲目转发,在有效地控制副本数的同时预测关联可靠路径链路,实现基于节点亲缘关系的相遇投递策略。仿真实验结果表明,该算法可以在保护与利用社会自私性的基础上,有效地提高消息投递率,降低网络时延,提高网络的通信流量等。     

基于结构洞和度折扣的影响力最大化算法

在社会网络影响力最大化（IM）算法中,针对目前仅选取局部最优节点造成的影响范围较小的问题,综合考虑核心节点和结构洞节点的传播优势,提出了一种基于结构洞和度折扣的最大化算法（SHDD）。首先,该算法将结构洞思想和中心度思想互相融合应用到影响力最大化问题中,并找出能将结构洞节点和核心节点综合发挥最大传播作用的α因子,使得信息更大范围地扩散从而扩大整个网络的影响范围。其次,为突出两个思想融合的优势,将二度邻居的影响添加到结构洞评价标准中来选取结构洞节点。在不同规模的数据集上实验结果表明,与DegreeDiscount算法相比,SHDD在没有增加过多时间开销的同时扩大了影响范围;与基于结构的贪心（SG）算法相比,在聚类系数较大的网络中SHDD扩大了影响范围并降低了时间开销。SHDD在α因子取0.6时能最大限度地发挥结构洞节点和核心节点融合的作用并且在聚类系数较大的社交网络中能更加稳定地扩大影响范围。     

容迟网络中基于演化博弈的合作行为

针对容迟网络中节点由于资源有限而表现出来的自私特性,为改善网络中节点的合作行为,进而提高网络的整体性能,提出一种基于演化博弈(EGT)的节点合作行为促进机制。首先,采用囚徒困境模型建立节点与其邻居博弈的收益矩阵;其次,基于度中心性定义节点的社会权威性;进一步地,在节点策略更新规则时考虑社会权威的影响,选择当前邻居中社会权威较高的节点进行模仿学习;最后,在机会网络环境仿真器上基于真实的动态网络拓扑数据进行仿真实验。仿真结果表明,与随机选择邻居的费米(Fermi)更新规则相比,考虑社会权威的更新规则能够更好地促进节点合作行为的涌现,进而提升网络的整体性能。     

基于标签传播的两阶段社区检测算法

社区检测是复杂网络分析的重要研究任务之一,其检测结果有助于人们深入理解复杂网络的社区结构,同时为下游任务提供支持,如内容推荐、链路检测等。针对复杂网络的社区检测问题,提出了一种基于标签传播的两阶段社区检测算法——TS-LPA。TS-LPA采用扩展邻域的思想来量化节点的传播能力,并在此基础上,利用节点信息和网络中边的权重等信息,提出了新的评价指标来衡量节点的中心性和节点之间的影响力。所提算法在计算节点中心性的基础上确定了节点标签更新的顺序和种子节点的选择策略,消除了算法在更新过程中的不稳定。在节点标签更新的过程中,为了更好地利用邻居节点标签类别来进行标签更新,TS-LPA采用广度优先传播的思想,提出了第二阶段标签传播方式。当标签开始传播的时候,待更新节点的所有邻居节点都对该节点的类别标签产生影响,同时,为了减轻周围邻居节点对待更新节点的支配程度,除邻居节点的影响外,加入附近种子节点对待更新节点的影响,共同完成节点的标签更新。在不同的真实数据集和人工合成数据集的实验结果分析表明,TS-LPA在消除随机性、表现出较强稳定性的同时,有效提高了社区检测的质量。