基于MRLT模型多关系社交网络影响力最大化研究

社交网络影响力最大化问题是基于特定的传播模型,在网络中寻找一组初始传播节点集合,通过其产生最终传播影响范围最大的一种最优化问题。已有的相关研究大多只是针对单关系社交网络,即在社交网络中只存在一种关系。但在现实中,社交网络的用户之间往往存在着多种关系,并且这多种关系共同影响着网络信息传播及其最终影响范围。在线性阈值模型的基础上,结合网络节点间存在的多种关系,提出MRLT传播模型来建模节点间的影响力传播过程,在此基础上提出基于反向可达集的MR-RRset算法,解决了传统影响力最大化问题研究过程中由于使用贪心算法所导致的计算性能较低的问题。最后通过在真实数据集上的实验对比,表明所提方法具有更好的影响力传播范围及较大的计算性能提升。     

基于领域的影响力最大化与病毒营销

近年来随着新浪微博、人人网等社交网络新媒体的涌现,线上影响力传播得到了越来越多企业和研究机构的关注。如何在给定资源的约束下实现最大的传播范围(影响力最大化问题),对病毒营销等市场战略的有效开展有着重要意义。如果能充分利用社交网络上的异质性信息来更准确地定位用户所属的领域,进而基于领域实现影响力最大化,将对从整体角度出发的传统研究和片面的结构或内容角度的研究形成很好的补充。该文同时利用新浪微博上用户之间的社交关系和微博内容的话题两个维度的信息将用户划分为不同的领域;进而提出了一种基于贪心和动态规划混合的改良算法实现基于领域的影响力最大化。实验表明该文的领域影响力模型较好优化了传统影响力最大化的时间消耗,同时拥有相近的精度。     

用户互动表示下的影响力最大化算法

影响力最大化问题旨在社交网络中选取一组有效的种子用户,使信息通过这些用户能够达到最大范围的传播.传统影响力最大化问题的研究依赖于特定的网络结构和扩散模型,而经过人工处理的简化网络和建立在假设之上的扩散模型在评估用户真实影响力时存在较大局限.为解决该问题,提出一种基于用户互动表示的影响力最大化算法(IMUIR).首先,根据用户互动痕迹进行随机采样,构造用户上下文对,并经过SkipGram模型训练得到用户的向量表示;然后,利用贪婪策略,根据源用户自身的活跃度和这些用户与其他用户的交互联系度选择最佳种子集.为验证IMUIR的有效性,将其与Random、AC、Kcore和Imfector在2个拥有真实互动信息的社交网络上进行对比实验.结果表明,利用IMUIR选出的种子集质量更高,产生的影响传播范围较广,且在2个数据集上表现稳定.     

用户互动表示下的影响力最大化算法

影响力最大化问题旨在社交网络中选取一组有效的种子用户,使信息通过这些用户能够达到最大范围的传播.传统影响力最大化问题的研究依赖于特定的网络结构和扩散模型,而经过人工处理的简化网络和建立在假设之上的扩散模型在评估用户真实影响力时存在较大局限.为解决该问题,提出一种基于用户互动表示的影响力最大化算法(IMUIR).首先,根据用户互动痕迹进行随机采样,构造用户上下文对,并经过SkipGram模型训练得到用户的向量表示;然后,利用贪婪策略,根据源用户自身的活跃度和这些用户与其他用户的交互联系度选择最佳种子集.为验证IMUIR的有效性,将其与Random、AC、Kcore和Imfector在2个拥有真实互动信息的社交网络上进行对比实验.结果表明,利用IMUIR选出的种子集质量更高,产生的影响传播范围较广,且在2个数据集上表现稳定.     

基于社交关系与无监督学习的大数据推荐算法

针对大数据推荐系统中推荐准确率与效率较低的问题,设计一种基于社交关系与多上下文因素的大数据推荐系统。基于活动用户的社交网络,构建一个社交关系的张量模型;通过张量分解获得用户的上下文因素;基于候选集的相似性产生一个推荐列表。基于用户的反馈预测社交关系的范围,有效地减少推荐系统的计算量。真实数据集的实验结果证明,该算法提高了推荐系统的推荐精度,有效地缓解了稀疏性问题与冷启动问题,并且实现了较快的响应时间。     

基于反向可达集的影响力最大化算法

现有影响力最大化算法多数因时间复杂度较高或影响力传播范围有限,不适用于大规模社交网络。基于独立级联模型,结合反向可达集采样提出一种改进的影响力最大化算法D-RIS。在影响力传播函数满足单调性和子模性的前提下,通过自动调试确定反向可达集生成数量的临界值。在Slashdot和Epinions真实数据集上的实验结果表明,D-RIS算法在影响力传播范围上接近CELF算法且优于RIS、HighDegree、LIR和pBmH启发式算法,同时在运行时间上相比CELF算法减少近百倍,具有更好的通用性与稳定性,适用于拓扑结构变化和规模较大的社交网络。     

不同营销模式中基于时间的影响传播方法研究

影响最大化问题是在社交网络上找到一组有影响力的用户,使得期望的影响范围最大化。然而,已有的研究工作没有考虑用户之间有效的传播时间区间,而且忽略了营销时间对于选取初始用户的影响。基于真实用户动作日志,确定了用户之间有效的传播时间区间,并提出了一个基于时间的影响力分配模型(influence power allocating model based on time,IPAT)。根据该模型,提出了基于真实时间的影响力最大化问题(influence maximization problem based on time,IMPT)和饥饿营销模式中种集最小化问题(seed set minimization problem in hungry marketing,SMPHM),并证明了这两个问题都是NP-hard问题。为求解IMPT问题和SMPHM问题,分别提出了有效的近似算法A-IMPT(algorithm for IMPT)和A-SMPIB4(algorithm for SMPHM),并证明了算法A-IMPT和A-SMPHM的近似比。多个真实社交网络数据集上的实验验证了算法AMT和A-SMPHM的有效性和高效率。     

一种基于社交网络舆论影响的推荐算法

社交网络中的朋友间信任度是影响用户决策的重要因素之一。基于社交网络的拓扑结构和相邻节点间的信任度,构建推荐模型,给出推荐算法,并进行理论分析和仿真模拟。研究结果显示,社交网络结构和信任度在社会交往的作用下会对用户的产品预期产生较大的影响。社交网络中单个产品的推荐者数量随时间呈S型曲线变化。推荐系统中产品推荐等级序列呈尾部截断的幂律分布。该研究不但分析了用户对产品预期的形成机理,而且推荐算法在一定程度上提高了推荐的效率。     

面向微博的情感影响最大化模型

社交网络中影响最大化问题是寻找具有最大影响范围的节点。影响最大化的大部分求解算法仅仅依赖社交网络图。基于微博的转发关系树和微博内容的情感倾向性,以及用户的社交网络图,提出了一个能够刻画用户情感影响的情感影响最大化模型——情感影响分配模型(sentiment influence distribution,SID),证明了SID模型下的情感影响最大化问题是一个NP难问题,给出了一个具有精度保证的贪心算法。在真实的微博数据上的实验结果表明,SID模型能够有效地找出情感影响最大化的节点集,同时具有很高的扩展性。     

基于跳步的增量式影响力最大化算法

对动态在线社交网络中的影响力最大化问题进行研究,提出一种基于跳步的增量式算法,快速跟踪动态网络最具有影响力的用户集。为应对网络结构变化,基于跳步,一方面评估变化用户影响力上限值,快速识别和保留无需变动的影响力用户;另一方面增量式地计算有潜力用户的实际影响力,替换不再属于最具影响力的用户。在真实数据集上进行实验和分析,其结果表明,相比其它最新同类算法,所提算法能以更快速度在动态网络中维护最具影响力用户集。