基于最小点覆盖和反馈点集的社交网络影响最大化算法

社交网络中的影响最大化问题是指在特定的传播模型下,如何寻找k个最具影响力的节点使得在该模型下社交网络中被影响的节点最多,信息传播的范围最广。该问题是一个优化问题,并且已经被证明是NP-难的。考虑到图的最小点覆盖和反馈点集中的顶点对图的连通性影响较大,该文提出一种基于最小点覆盖和反馈点集的社交网络影响最大化算法(Minimum Vertex Covering and Feedback Vertex Set, MVCFVS),并给出了具体的仿真实验和分析。实验结果表明,与最新的算法比较,该算法得到的节点集在多种模型下都具有优异的传播效果,例如在独立级联模型和加权级联模型中超过当前最好的算法,并且还具有更快的收敛速度。     

一种改进的社交网络影响力最大化算法

社交网络影响力最大化即是在社交网络中如何挑选包含K个节点的种子节点集,去激活整个网络,使网络中最终被激活的节点数最大化。基于IC模型研究了社交网络影响力最大化问题。Diffusion degree算法提出了节点潜在影响力的概念,即一个节点的邻居节点的影响力也可以作为当前节点的影响力的一部分。基于Diffusion degree算法做出了改进,在考虑潜在影响力的时候进一步考虑了节点潜在影响力的有效性,更加准确地判断节点的影响力,再综合了算法Single Discount中的核心思想,从而选出更加优质的种子节点。仿真结果表明,该算法在影响范围上接近KK贪婪算法的影响范围,同时在时效性上优于Diffusion degree算法,较适合大型社交网络。     

社会化营销绩效最大化问题及其扩展研究综述

由于在线社交网络上的信息传播具有速度快、成本低、影响范围大等优势,许多企业均试图通过在线社交网络进行产品的促销和推广。然而,企业如何选择种子结点来投放营销信息,使得在给定成本下覆盖或影响最多的用户,实现营销绩效最大化是一项极具挑战性的任务。该文通过文献检索和综述方法,系统总结了社会化营销中的信息传播模型,从网络拓扑结构和用户历史数据、竞争条件与非竞争条件等不同视角总结了社会化营销绩效最大化的有关算法,最后对社会化营销绩效最大化问题进行了总结与展望。     

基于树核度的社交网络影响最大化问题

社交网络中的影响最大化问题是指对于给定的k值,寻找k个在特定传播模型下能够使得传播范围达到最大的节点.此问题在常用的几种传播模型中都是NP-难的.目前虽然已经有很多近似求解的算法,但如何在较低的算法时间复杂度下,保证较大的传播范围仍然是求解该问题的一个挑战.为此,本文提出了一种新颖的基于图的树核度理论的方法来求解社交网络影响最大化问题,并相应地给出了一个多项式时间的算法.所提算法综合考虑了网络的结构特征和传播特征.另外,我们将该算法与传统的随机、度以及贪心算法进行了比较.实验结果表明,所提算法可以较快地找到能够使得传播范围较大的节点集合.     

基于线性阈值模型的影响力传播权重学习

度量用户间影响力对商品的营销和推广具有重要作用。然而,已有工作通常假设用户之间的相互影响行为是独立的,忽略了影响力在传播过程中具有的累积效应。为解决此问题,该文在线性阈值模型的框架下,提出一种影响力传播权重的计算方法。该方法将社交网络中用户的历史行为日志看作样本,借鉴最大似然估计的思想对用户间影响力学习问题建模,并设计一种优化的粒子群算法对问题求解。实验使用真实数据验证了该方法的有效性。     

大规模时序图中种子节点挖掘算法研究

针对现有基于时序图的影响力最大化算法多因时间效率低或影响范围窄,不适用于大规模网络的问题,提出了一种融合启发式算法和贪心策略的种子节点挖掘算法（CHG）。首先,基于时序图中信息传播的时序性,给出了节点二阶度概念,并以此对节点影响力进行启发式评估;其次,根据影响力评估结果对节点进行初步过滤筛选,构建候选种子节点集;最后,通过计算候选种子节点的边际效应,解决节点间影响范围重叠问题,保证获取最优种子节点组合。在3个不同规模的时序网络数据集上进行了实验,实验结果表明,所提算法在相对较短的运行时间下,仍能够保证所得种子节点集具有较高的网络全局影响力,在时间效率与种子节点集影响范围2个方面取得了更好的平衡。     

社交网络中用户区域影响力评估算法研究

以人人网为例对在线社交网络的分析,从区域信息传播的角度出发,研究社交网络中,信息传播的微观过程.通过真实测量用户的信息传播行为,完成用户信息传播网络的构建和测量.发现区域信息传播网络中少量核心节点覆盖了大部分的网络传播行为.针对这些核心节点,文中提出了一种基于节点传播意愿和传播能力综合考察的节点传播影响力识别算法InfluenceRank,并通过与多种相关算法进行比对,验证了算法的有效性.     

社交网络环境下影响最大化的问题分析

社交网络具有社区特征,很大程度上影响了信息在网络中的传播,构建了一些计算节点影响的参数,给出了社区结构影响最大化的计算模型,借助试验模型,以验证方式分析了模型。最终利用计算模型,经过设计与计算,得到了基于影响最大化的舆论牵引策略算法,于社区舆论引导系统中获得了比较不错的引导效果。     

微博转发网络中的节点特征和传播模型

微博作为重要的社交网络平台,具有传播快速、平台影响大的特点.微博用户的节点特征决定了其网络影响力.研究了微博转发网络中节点的度值特征和传播模型.首先通过区分信息流动方向构建了微博转发网络;其次分别讨论了出度一入度的均值和方差,明确二者的差异,并分析了考虑节点度值特征的信息传播过程;最后通过仿真验证可以看出:边的有向性对信息传播有着显著的影响,在有向条件下,渗流阈值增加,同样概率下传播范围变小,信息传播更为困难.     

社交网络用户影响力分析

随着Web技术的发展,社交网络也呈现井喷式发展,并逐渐成为人与人之间互动交流的重要平台和工具。用户是社交网络的重要组成部分,关于其影响力的分析研究由来已久,因为用户影响力体现了社交网络的社交本质,并在社交网络的应用挖掘上具有重要作用。用户影响力分析主要包括分析与用户影响力有关的因素、分析如何度量用户影响力的大小以及分析影响力传播方式等。本文针对用户影响力的主要内容从用户的微观角度以及从社交网络的宏观角度展开分析,并总结了用户影响力的重要意义。     

TPRank用户影响力评价算法的应用

目前针对社交网络的数据挖掘,出现了越来越多的研究热点。结合用户影响力分析建模,提出了TPRank用户影响力评价算法,该算法可以在特定话题下对用户影响力进行评价。引入用户活跃度的概念来反映用户发布微博的频率高低,在此概念的基础上,提出了基准用户影响力评价算法,而后提出了用户聚集系数的概念来反映一个用户的凝聚力大小,对基准用户影响力评价算法进行修正,得到最终的用户影响力评价算法TPRank。该算法综合考虑了用户活跃度、转发行为、时间和聚集系数等因素。最后在新浪微博数据集上进行了实验,利用TPRank找出了特定话题下影响力大的用户。     

社交网络中社区领袖的挖掘算法

社交网络中用户和用户之间通过关注而产生联系形成社区。因此,文中借鉴PageRank算法,将传统上把影响力平均分配给关注的人的做法加以改进,依据用户间的亲密程度将影响力按比例分配给关注的人,从而生成新的UserRank算法。算法经过多次迭代计算后,社区中每个用户的影响力收敛并趋于稳定,影响力值最大的用户,就是社区领袖。实验表明,本算法能更快更有效地挖掘出社区领袖。     

社区环境下基于节点交互和主题的影响力计算模型

为解决现有算法对社交网络节点影响力计算准确度不高的问题，本文整合节点不同维度信息，综合考虑节点在多个主题社区上的主题分布向量，提出一种新的节点影响力计算模型.模型首先将主题相关性作为先验信息；然后利用混合隶属度随机块（Mixed Membership Stochastic Block）模型表达节点间的交互关系，用主题模型学习主题内容；最后结合全局拓扑关系迭代计算节点的全局影响力.本文选取社交网络数据，以P@N、MAP等作为评价指标同现有主流算法进行比较.实验结果显示，本文算法有效提升了影响力节点识别的准确度和排名的有效性.     

融合图卷积神经网络与基本特征检测技术的虚假用户检测

微博等社交网站吸引了全球数百万用户,在给大众带来便利的同时,也造成了许多问题,包括可能通过虚假账户向其他用户传播恶意内容。因此,虚假用户检测是追踪和缓解互联网网络威胁的一项基本而关键的任务。本文旨在解决当前虚假用户检测系统的两个主要局限性。首先,现有的虚假用户检测方法忽略了社交网络的结构信息,从而导致误检测。其次,社交网络结构一般只包含单个属性,在数据缺失时表现不佳。本文提出了一种新型的虚假用户检测方法,将细粒度网络流（如用户基本属性、文章特征）作为多属性社交图进行模型化,并将虚假用户检测问题转换为图上节点分类任务。实验结果证明,该算法对提高虚假用户检测性能有较明显的作用。     

基于SEIR的社交网络信息传播模型

结合传染病动力学的SEIR模型,本文建立了适用于社交网络的信息传播模型。该模型基于社交网络用户的行为特征,分析了社交网络的传播机理和网络参数对信息传播过程的影响,得出了动力学演化方程组,刻画了信息传播过程随时间的演化规律。仿真实验的结果表明,本文提出的模型能正确地反映社交网络上的信息传播的趋势,较为准确地描述信息传播过程。     

认知无线网络中兼顾效用与公平的联合带宽和功率分配算法

对不同类型的业务采用了统一的效用函数形式,并在此基础上构造了基于网络效用最大化模型的优化问题。采用拉格朗日对偶方法对问题进行了求解,提出了一种分布式的联合带宽和功率分配算法。仿真结果表明,本算法能够有效地为不同类型认知用户分配合理的带宽和功率资源,在最大化所有认知用户总效用的同时保证用户之间的效用公平性。     

新型影响力最大化算法

如何从包含成千上万个节点的社会网络中选取初始节点集来传播信息,使最后接受者的数量达到最大化,已成为社会网络领域研究的热点。在此背景下,提出了一种新的初始节点选择算法——基于社区的影响力最大化算法,该算法在综合考虑传播效果及时间复杂度的基础上,将初始节点的选择过程划分为网络划分、启发、贪心三个阶段。并通过实验证明,与已有算法相比,该算法最终的传播效果更为理想,且时间复杂度较低。     

基于霍克斯过程的社交网络用户关系强度模型

社交网络节点之间的关系强度建模是研究信息传播、实现推荐服务等社交网络服务的关键.传统关系强度模型主要研究简单二元关系与静态关系,未考虑用户交互影响及其动态衰减.本文提出一种基于霍克斯过程的社交网络用户关系强度模型,将用户关系强度视为潜在因子,用户相似性与历史交互行为分别视为潜在因子诱因与表象,并使用霍克斯过程刻画历史交互行为与用户关系强度之间的关系,解决了已有模型未考虑用户历史交互影响及其动态衰减的问题.采用微博社交网络数据对模型进行的评估表明,本模型可以提高用户关系强度预测精度以及基于关系强度排序Top-N邻居节点的覆盖率.     

一种基于用户轨迹的跨社交网络用户身份识别算法

针对现有的基于用户轨迹的跨社交网络用户身份识别算法未考虑用户轨迹中的位置访问顺序特征的缺点,该文提出一种基于Paragraph2vec的跨社交网络用户轨迹匹配算法(CDTraj2vec)。首先将用户轨迹转化为易于处理的网格化表示,并按照一定的时间粒度、距离尺度对原始的用户轨迹进行划分,使用户轨迹中的位置访问顺序特征易于抽取;然后利用Paragraph2vec算法中PV-DM模型抽取轨迹序列中位置访问顺序特征,得到用户轨迹的向量表示。最后通过用户轨迹向量判定轨迹是否匹配。在社交网络BrightKite上的实验结果表明,与基于位置访问频率或者基于轨迹间距离的方法相比,F值提高了2%～4%个百分点,所提算法能够有效地抽取出用户轨迹中的位置访问顺序特征,更加准确地实现了基于用户轨迹的跨社交网络用户身份识别。     

基于局部近邻传播及用户特征的社区识别算法

提出一种将局部近邻传播和考虑用户特征的相似性测度相结合实现社交网络中的社区识别的算法。一方面,通过放松代表点约束条件及限制消息传播范围为节点的局部近邻,算法在降低时间和空间复杂度的同时保持较小的识别精度损失,从而能够适应社交网络挖掘需要;另一方面,通过将节点的拓扑相似度和特征相似度相结合来描述节点的综合相似度,使算法能够适应社交网络采样数据中用户关联信息不完整的情况。通过在人工数据集和真实数据集上的对比实验表明,所提方法不仅具有近似线性的时间复杂度及线性的空间复杂度,而且在网络中的节点关联边信息不完整时仍保持较好的识别精度。