【技術實現步驟摘要】
本專利技術屬于復雜網絡分析，涉及了一種社交網絡中影響力最大化方法、系統、設備及存儲介質，尤其涉及一種捕捉結構相似性和聚合局部影響力程度的社交網絡影響力最大化方法、系統、設備及存儲介質。
技術介紹
1、復雜的社交網絡可以將現實世界人與人之間的復雜關系進行建模，分析社交網絡中含有有用的信息和未知的關系有著重要的意義。網絡中會進行信息的傳播，這一傳播過程在不實信息控制、病毒營銷、降低經濟成本、社會推薦、招聘、病毒傳播控制、選擇有影響力的twitter、推送目標廣告等方面具有重要的實踐和理論意義。有許多類似諸多這樣的關系可以被建模成圖結構，為了更有效地幫助信息在網絡中的傳播，影響力最大化(influence?maximination,im)問題被提出。影響力最大化問題被定義為識別網絡中最具影響力的節點，所識別出的節點是具有高傳播能力的，源自它們的一條信息可以通過觸發信息擴散，在網絡中達到最大程度。識別有影響力節點是網絡科學領域的熱門研究課題之一。
2、近年來，影響力最大化問題在社交網絡領域中得到了廣泛的研究。已被證明im問題屬于np-hard范疇，并已發展出諸如貪婪、啟發式、深度學習和社區檢測等方法來解決它。度中心性通過計算節點的直接鄰居數量(1跳鄰居)來評估節點的重要性，提供了對節點局部影響力的衡量標準。該方法通過統計每對節點之間最短路徑上經過特定節點的比例來確定節點的重要性，從而識別出那些處于重要位置的節點。kitsak等人提出了k-shell中心性，假設位于網絡核心區域的節點比外圍節點更有利于信息傳播，逐步從外圍到核心
3、圖神經網絡(gnns)是一類能夠直接在圖結構數據上進行深度學習的模型，近年來在社交網絡分析、推薦系統、知識圖譜等領域取得了顯著進展。gnn的核心思想是通過迭代更新節點的特征表示，捕捉圖中節點與鄰居之間的依賴關系，從而獲得每個節點的全局表示。在影響力最大化問題中，gnn可以很好地建模節點的局部和全局結構特征，為節點的影響力提供更精確的表示。其中，keikha等人提出了deepim方法，該方法通過將種子集合映射到潛在空間中提取適合的信息，并結合橋梁節點的局部和全局結構特征來選擇具有較大影響力的節點。隨后，在此基礎上，進一步利用網絡嵌入和深度強化學習解決im問題，取得了較好的效果。圖注意力網絡(graph?attention?networks,gat)作為gnn的一個重要分支，因其在信息傳播過程中引入了注意力機制，能夠自適應地學習不同鄰居節點對目標節點的影響力權重，進一步提升了模型的表達能力。在gat模型中，每個節點根據鄰居節點的重要性分配不同的權重，從而更好地捕捉節點間的影響力傳播特性。這一機制與影響力最大化問題中的核心挑戰非常契合，因為它能夠根據社交網絡結構評估節點的影響力，減少對人工特征選擇的依賴。
技術實現思路
1、針對上述問題，本專利技術目的是提出了一種具有更好的可擴展性和靈活性的社交網絡中影響力最大化方法、系統、設備及存儲介質。
2、本專利技術的技術方案是：本專利技術所述的一種社交網絡中影響力最大化方法，其操作步驟包括：
3、步驟(1)：通過考慮到節點在網絡中的結構相似性特征，使用struc2vec圖嵌入方法得到訓練網絡中每個節點的嵌入表示，作為節點的特征表示向量，訓練網絡是由barabási-albert方法(以下簡稱ba方法)生成的無標度網絡；
4、步驟(2)：將每個節點單獨作為種子節點集合，通過線性閾值(lt)擴散模型進行模擬信息的傳播，得到單個節點傳播后所影響到的節點數量就認為是每個節點的影響范圍，作為節點的標簽；
5、步驟(3)：將得到的訓練網絡中節通過struc2vec圖嵌入方法得到的特征表示向量和節點通過lt線性閾值擴散模型得到的標簽輸入到圖注意力網絡(gat)中進行特征再處理和訓練優化相關參數，得到最優的模型，然后用最優的模型對真實的網絡進行影響力的預測；
6、步驟(4)：考慮節點的拓撲結構位置，引入k-shell值和度中心性指標為每個節點重新設置一個最終影響力分數，選取影響力分數高的前k個節點作為種子節點集合，這k個種子節點組成的種子節點集合可以將影響力傳播最大化。
7、進一步地，在步驟(1)中，所述的訓練網絡的生成，具體為通過ba方法生成多個無標度網絡；ba網絡通過優先連接生成，其生成過程可以表示為：
8、
9、式中，p(i)表示新節點與已有節點i連接的概率，ki是節點i的度，∑jkj是所有現有的節點度的和。
10、進一步地，在步驟(1)中，所述圖嵌入過程具體步驟如下：
11、定義g＝(v,e)表示一個社交網絡；其中，v＝{v1,v2,…,vn}表示網絡中的節點集合，vn表示第n個節點，集合e表示網絡中節點之間存在的關系連邊集合；
12、通過在網絡節點上使用struc2vec進行特征生成，獲得了網絡中每個節點大小為128的特征向量；設s為圖g使用維度為d的struc2vec方法生成的節點嵌入，得到的嵌入如下：
13、
14、為網絡中所有接待的嵌入集，因此節點v的嵌入可以表示為：
15、
16、其中，zv表示網絡中每個節點v的生成嵌入；因此，對于網絡中的每個節點，模型都獲得一個特征向量。
17、進一步地，在步驟(2)中，所述得到節點的標簽的實現方法如下：
18、使用lt信息擴散模型計算訓練網絡中每個節點的影響范圍；
19、lt模型是一種用于模擬信息、行為或影響在社會網絡中傳播的數學模型；每個節點根據其鄰居節點的影響決定是否被激活，鄰居的影響力通過邊的權重表示，總和不超過1；節點有一個預設的閾值θv，表示該節點v被激活的臨界值，θv從均勻分布u(0,1)中抽取；每條邊e(u,v)有一個權重wuv，表示節點對節點u的影響力，節點u的鄰居對其的總影響可以表示為：
20、
21、如果總影響力超過了節點的閾值θv，即：
22、
23、則節點v被激活，當其激活鄰居的影響力總和超過該閾值時，節點就會被激活成為下一個傳播節點；這個過程會重復進行，直到沒有新的節點被激活為止；最終，每個節點的影響范圍i(v)是指其能夠激活的所有本文檔來自技高網...
【技術保護點】
1.一種社交網絡中影響力最大化方法，其特征在于，其操作步驟如下：
2.根據權利要求1所述的一種社交網絡中影響力最大化方法,其特征在于，在步驟(1)中，所述的訓練網絡的生成，具體為通過BA方法生成多個無標度網絡；
3.根據權利要求1所述的一種社交網絡中影響力最大化方法,其特征在于，在步驟(1)中，所述struc2vec圖嵌入的具體步驟如下：定義G＝(V,E)表示一個社交網絡；其中，V＝{v1,v2,…,vn}表示網絡中的節點集合，vn表示第n個節點，集合E表示網絡中節點之間存在的關系連邊集合；
4.根據權利要求1所述的一種社交網絡中影響力最大化方法,其特征在于，在步驟(2)中，所述得到節點的標簽具體步驟如下：使用LT信息擴散模型計算訓練網絡中每個節點的影響范圍；其中，LT模型是一種用于模擬信息、行為或影響在社會網絡中傳播的數學模型；
5.根據權利要求1所述的一種社交網絡中影響力最大化方法,其特征在于，在步驟(3)中，所述進行特征再處理的方法如下：輸入特征矩陣：將struc2vec生成的128維節點特征向量作為GAT模型的輸入；假設節點
6.根據權利要求1所述的一種社交網絡中影響力最大化方法,其特征在于，在步驟(3)中，所述影響力預測的方法如下：將訓練網絡中節點的特征向量、節點的標簽輸入到GAT模型中，訓練優化相關參數來得到最優模型，其中步驟如下：
7.根據權利要求1所述的一種社交網絡中影響力最大化方法,其特征在于，
8.一種負面信息傳播抑制系統，其特征在于，包括：
9.一種計算設備，其特征在于，包括：一個或多個處理器、一個或多個存儲器以及一個或多個程序，所述程序存儲在存儲器中并被配置為由處理器執行，所述程序被加載至處理器時實現根據權利要求1至7任一項所述的社交網絡中影響力最大化方法的步驟中。
10.一種存儲介質，其特征在于，所述存儲介質存儲有計算機程序，所述計算機程序包括程序指令，所述程序指令當被處理器執行時使所述處理器執行根據權利要求1至7任一項所述社交網絡中影響力最大化方法的步驟。
...【技術特征摘要】
1.一種社交網絡中影響力最大化方法，其特征在于，其操作步驟如下：
2.根據權利要求1所述的一種社交網絡中影響力最大化方法,其特征在于，在步驟(1)中，所述的訓練網絡的生成，具體為通過ba方法生成多個無標度網絡；
3.根據權利要求1所述的一種社交網絡中影響力最大化方法,其特征在于，在步驟(1)中，所述struc2vec圖嵌入的具體步驟如下：定義g＝(v,e)表示一個社交網絡；其中，v＝{v1,v2,…,vn}表示網絡中的節點集合，vn表示第n個節點，集合e表示網絡中節點之間存在的關系連邊集合；
4.根據權利要求1所述的一種社交網絡中影響力最大化方法,其特征在于，在步驟(2)中，所述得到節點的標簽具體步驟如下：使用lt信息擴散模型計算訓練網絡中每個節點的影響范圍；其中，lt模型是一種用于模擬信息、行為或影響在社會網絡中傳播的數學模型；
5.根據權利要求1所述的一種社交網絡中影響力最大化方法,其特征在于，在步驟(3)中，所述進行特征再處理的方法如下：輸入特征矩陣：將struc2ve...
【專利技術屬性】
技術研發人員：杭專正，陳伯倫，侯延東，李哲，劉曉孌，方志鵬，吉欣，
申請(專利權)人：淮陰工學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。