CN114297572B - 社交网络中节点传播影响力识别方法、装置和计算机设备 - Google Patents

社交网络中节点传播影响力识别方法、装置和计算机设备 Download PDF

Info

Publication number
CN114297572B
CN114297572B CN202210013140.7A CN202210013140A CN114297572B CN 114297572 B CN114297572 B CN 114297572B CN 202210013140 A CN202210013140 A CN 202210013140A CN 114297572 B CN114297572 B CN 114297572B
Authority
CN
China
Prior art keywords
node
effort
social network
propagation
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210013140.7A
Other languages
English (en)
Other versions
CN114297572A (zh
Inventor
阮逸润
汤俊
白亮
李�浩
潘庆涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202210013140.7A priority Critical patent/CN114297572B/zh
Publication of CN114297572A publication Critical patent/CN114297572A/zh
Application granted granted Critical
Publication of CN114297572B publication Critical patent/CN114297572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种社交网络中节点传播影响力识别方法、装置和计算机设备。所述方法包括：从数据源获取社交网络；根据所述社交网络中第一节点的度，以及第一节点的k‑shell值，确定所述第一节点对维持与第二节点的邻居关系投入的第一精力，对维持与第三节点的邻居关系投入的第二精力，第二节点对维持与第三节点的邻居关系投入的第三精力，以确定第一节点和第二节点之间的约束系数；根据连边的无向特性和约束系数，构建描述连边的重要性的正向权重函数以及反向权重函数；根据正向权重函数以及反向权重函数之和，确定连边的传播重要性值；根据待识别节点的所有连边的传播重要性值，确定待识别节点的传播影响力。采用本方法能够消除类‑核结构影响。

Description

社交网络中节点传播影响力识别方法、装置和计算机设备
技术领域
本申请涉及计算机技术领域，特别是涉及一种社交网络中节点传播影响力识别方法、装置和计算机设备。
背景技术
随着计算机技术的发展，对于社交网络的分析有了更多的手段，一般而言，在进行社交网络分析时，会将社交网络看做一个节点网络，复杂社交网络对应一个复杂网络，重要节点是指相比网络其他节点而言, 能够在更大程度上影响网络的结构与功能的一些特殊节点，重要节点一般数量非常少, 但其影响却可以快速地波及到网络中大部分节点。
k-shell分解算法将网络节点分配到不同的壳层，壳值最高的节点被认为是网络中最有影响力的节点。通过该方法，网络逐渐趋于核心的区域，越中心的核，连通性越强。然而，并非在所有的真实网络中k-shell分解算法识别的网络核心节点都具有最高的传播影响力，网络中存在一些类-核结构，这些高k-shell值节点相互之间连接紧密，然而信息从这类节点发起很可能局限在网络局部区域，无法传播到网络更远的节点。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决高k-shell值节点相互之间连接紧密的传播影响力识别的社交网络中节点传播影响力识别方法、装置和计算机设备。
一种社交网络中节点传播影响力识别方法，所述方法包括：
从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
根据所述社交网络中第一节点的度，以及第一节点的k-shell值，确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力，所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力，所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力；其中，所述第三节点为所述第一节点和所述第二节点的共同邻居；
根据所述第一精力、所述第二精力以及所述第三精力，确定第一节点和第二节点之间的约束系数；
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的正向权重函数以及反向权重函数；
根据所述正向权重函数以及反向权重函数之和，确定所述连边的传播重要性值；
根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力。
在其中一个实施例中，还包括：根据所述社交网络中第一节点的度，以及第一节点的k-shell值，确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力为：
Figure 381191DEST_PATH_IMAGE002
其中，
Figure 767173DEST_PATH_IMAGE004
表示第一精力，
Figure 140386DEST_PATH_IMAGE006
表示节点i的k-shell值，
Figure 270016DEST_PATH_IMAGE008
表示节点i的度；
所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力为：
Figure 553230DEST_PATH_IMAGE010
其中，
Figure 714041DEST_PATH_IMAGE012
表示第二精力；
所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力为：
Figure 715495DEST_PATH_IMAGE014
其中，
Figure 507870DEST_PATH_IMAGE016
表示第三精力，
Figure 911170DEST_PATH_IMAGE018
表示节点j的k-shell值，
Figure 373375DEST_PATH_IMAGE020
表示节点j的度。
在其中一个实施例中，还包括：根据所述第一精力、所述第二精力以及所述第三精力，确定第一节点和第二节点之间的约束系数为：
Figure 737491DEST_PATH_IMAGE022
其中，
Figure 943345DEST_PATH_IMAGE024
表示第一节点和第二节点之间的约束系数。
在其中一个实施例中，还包括：所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的正向权重函数为
Figure 201151DEST_PATH_IMAGE026
，其中
Figure 224470DEST_PATH_IMAGE028
为减函数；
所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的反向权重函数为
Figure 200517DEST_PATH_IMAGE030
，其中，
Figure 819848DEST_PATH_IMAGE032
表示第二节点与第一节点之间的约束系数。
在其中一个实施例中，还包括：根据所述正向权重函数以及反向权重函数之和，确定所述连边的传播重要性值，包括：
Figure 197740DEST_PATH_IMAGE034
其中，
Figure 1748DEST_PATH_IMAGE036
，
Figure 589724DEST_PATH_IMAGE038
，
Figure 137380DEST_PATH_IMAGE040
表示传播重要性值。
在其中一个实施例中，还包括：根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力为：
Figure 369778DEST_PATH_IMAGE042
其中，
Figure 485633DEST_PATH_IMAGE044
表示待识别节点的传播影响力，
Figure 170692DEST_PATH_IMAGE046
表示待识别节点的邻居节点集合。
在其中一个实施例中，还包括：确定待识别节点的传播影响力的修正传播影响力为：
Figure 646673DEST_PATH_IMAGE048
其中，
Figure 733577DEST_PATH_IMAGE050
表示节点j的传播影响力，
Figure 144967DEST_PATH_IMAGE052
表示修正传播影响力。
一种社交网络中节点传播影响力识别装置，所述装置包括：
网络构建模块，用于从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
精力确定模块，用于根据所述社交网络中第一节点的度，以及第一节点的k-shell值，确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力，所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力，所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力；其中，所述第三节点为所述第一节点和所述第二节点的共同邻居；
约束确定模块，用于根据所述第一精力、所述第二精力以及所述第三精力，确定第一节点和第二节点之间的约束系数；
重要性度量模块，用于根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的正向权重函数以及反向权重函数；根据所述正向权重函数以及反向权重函数之和，确定所述连边的传播重要性值；
识别模块，用于根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
根据所述社交网络中第一节点的度，以及第一节点的k-shell值，确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力，所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力，所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力；其中，所述第三节点为所述第一节点和所述第二节点的共同邻居；
根据所述第一精力、所述第二精力以及所述第三精力，确定第一节点和第二节点之间的约束系数；
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的正向权重函数以及反向权重函数；
根据所述正向权重函数以及反向权重函数之和，确定所述连边的传播重要性值；
根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
根据所述社交网络中第一节点的度，以及第一节点的k-shell值，确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力，所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力，所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力；其中，所述第三节点为所述第一节点和所述第二节点的共同邻居；
根据所述第一精力、所述第二精力以及所述第三精力，确定第一节点和第二节点之间的约束系数；
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的正向权重函数以及反向权重函数；
根据所述正向权重函数以及反向权重函数之和，确定所述连边的传播重要性值；
根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力。
上述社交网络中节点传播影响力识别方法、装置、计算机设备和存储介质，基于k-shell分解算法计算节点的k-shell值，基于节点位置和节点邻域的信息，确定形成网络类核团的约束系数，根据约束系数，来确定连边传播重要性值，从而可以消除网络类核团的负面影响，从而利用传播重要性值进行节点影响力识别时，全局网络识别结果更加准确。
附图说明
图1为一个实施例中社交网络中节点传播影响力识别方法的流程示意图；
图2为一个实施例中社交网络中节点传播影响力识别装置的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种社交网络中节点传播影响力识别方法，包括以下步骤：
步骤102，从数据源获取社交网络。
社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边。
步骤104，根据社交网络中第一节点的度，以及第一节点的k-shell值，确定第一节点对维持与社交网络中第二节点的邻居关系投入的第一精力，第一节点对维持与社交网络中第三节点的邻居关系投入的第二精力，第二节点对维持与社交网络中第三节点的邻居关系投入的第三精力。
第三节点为第一节点和第二节点的共同邻居，可以知道，第三节点的数量可能不止一个。
步骤106，根据第一精力、所述第二精力以及第三精力，确定第一节点和第二节点之间的约束系数。
在计算约束系数时，引入了邻居节点的信息，以用约束系数，来评价第一节点和第二节点之间连边的桥接作用，桥接作用越大，第一节点和第二节点之间形成结构洞的机会就越大。
具体的，结构洞理论是指非冗余联系人之间存在的缺口，或者说社会关系网络中的搭桥者，比如A用户与B用户只能通过C产生联系，那么用户C就在A和B之间占据了结构洞的位置，因此结构洞越多的节点它的重要性一般也会大于其他节点。从复杂网络角度看，拥有较多结构洞的网络节点更有利于信息大范围地传播。
步骤108，根据第一节点和第二节点之间的连边的无向特性和约束系数，构建描述连边的重要性的正向权重函数以及反向权重函数。
在社交网络中，边的权重在衡量信息传播能力和维持网络功能方面都扮演重要角色。考虑边e ij ，当疾病沿着边传播时，有两个可能的方向。方向一，传播从节点i开始，沿着边e ij 传向节点j，然后通过节点j传向网络其余部分。在另一个方向，传播从节点j始，沿着边e ji (与边e ij 为同一条边，因为网络为无向网络)传向节点i，然后通过节点i传向网络其余部分。
步骤110，根据正向权重函数以及反向权重函数之和，确定连边的传播重要性值。
步骤112，根据待识别节点的所有连边的传播重要性值，确定待识别节点的传播影响力。
上述社交网络中节点传播影响力识别方法中，基于k-shell分解算法计算节点的k-shell值，基于节点位置和节点邻域的信息，确定形成网络类核团的约束系数，根据约束系数，来确定连边传播重要性值，从而可以消除网络类核团的负面影响，从而利用传播重要性值进行节点影响力识别时，全局网络识别结果更加准确。
在其中一个实施例中，根据社交网络中第一节点的度，以及第一节点的k-shell值，确定第一节点对维持与社交网络中第二节点的邻居关系投入的第一精力为：
Figure 927110DEST_PATH_IMAGE054
其中，
Figure 82147DEST_PATH_IMAGE056
表示第一精力，
Figure 148192DEST_PATH_IMAGE058
表示节点i的k-shell值，
Figure 996063DEST_PATH_IMAGE060
表示节点i的度；
第一节点对维持与社交网络中第三节点的邻居关系投入的第二精力为：
Figure 390135DEST_PATH_IMAGE062
其中，
Figure 224230DEST_PATH_IMAGE064
表示第二精力；
第二节点对维持与社交网络中第三节点的邻居关系投入的第三精力为：
Figure 20148DEST_PATH_IMAGE066
其中，
Figure 773340DEST_PATH_IMAGE068
表示第三精力，
Figure 44921DEST_PATH_IMAGE070
表示节点j的k-shell值，
Figure 541762DEST_PATH_IMAGE072
表示节点j的度。
在其中一个实施例中，根据第一精力、第二精力以及第三精力，确定第一节点和第二节点之间的约束系数为：
Figure 457765DEST_PATH_IMAGE074
其中，
Figure 991646DEST_PATH_IMAGE076
表示第一节点和第二节点之间的约束系数。
在其中一个实施例中，根据第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述连边的重要性的正向权重函数为
Figure 625889DEST_PATH_IMAGE078
，其中
Figure DEST_PATH_IMAGE080
为减函数；根据第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述连边的重要性的反向权重函数为
Figure DEST_PATH_IMAGE082
，其中，
Figure DEST_PATH_IMAGE084
表示第二节点与第一节点之间的约束系数。在此，减函数可以是线性函数，或者非线性函数。
在其中一个实施例中，减函数为指数函数，根据正向权重函数以及反向权重函数之和，确定连边的传播重要性值为：
Figure DEST_PATH_IMAGE086
其中，
Figure DEST_PATH_IMAGE088
，
Figure DEST_PATH_IMAGE090
，
Figure DEST_PATH_IMAGE092
表示传播重要性值。
在其中一个实施例中，根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力为：
Figure DEST_PATH_IMAGE094
其中，
Figure DEST_PATH_IMAGE096
表示待识别节点的传播影响力，
Figure DEST_PATH_IMAGE098
表示待识别节点的邻居节点集合。
在其中一个实施例中，确定待识别节点的传播影响力的修正传播影响力为：
Figure DEST_PATH_IMAGE100
其中，
Figure DEST_PATH_IMAGE102
表示节点j的传播影响力，
Figure DEST_PATH_IMAGE104
表示修正传播影响力。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图2所示，提供了一种社交网络中节点传播影响力识别装置，包括：网络构建模块202、精力确定模块204、约束确定模块206、重要性度量模块208和识别模块210，其中：
网络构建模块202，用于从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
精力确定模块204，用于根据所述社交网络中第一节点的度，以及第一节点的k-shell值，确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力，所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力，所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力；其中，所述第三节点为所述第一节点和所述第二节点的共同邻居；
约束确定模块206，用于根据所述第一精力、所述第二精力以及所述第三精力，确定第一节点和第二节点之间的约束系数；
重要性度量模块208，用于根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的正向权重函数以及反向权重函数；根据所述正向权重函数以及反向权重函数之和，确定所述连边的传播重要性值；
识别模块210，用于根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力。
在其中一个实施例中，精力确定模块204用于根据所述社交网络中第一节点的度，以及第一节点的k-shell值，确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力为：
Figure DEST_PATH_IMAGE106
其中，
Figure DEST_PATH_IMAGE108
表示第一精力，
Figure DEST_PATH_IMAGE110
表示节点i的k-shell值，
Figure DEST_PATH_IMAGE112
表示节点i的度；
所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力为：
Figure DEST_PATH_IMAGE114
其中，
Figure DEST_PATH_IMAGE116
表示第二精力；
所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力为：
Figure DEST_PATH_IMAGE118
其中，
Figure DEST_PATH_IMAGE120
表示第三精力，
Figure DEST_PATH_IMAGE122
表示节点j的k-shell值，
Figure DEST_PATH_IMAGE124
表示节点j的度。
在其中一个实施例中，约束确定模块206还用于根据所述第一精力、所述第二精力以及所述第三精力，确定第一节点和第二节点之间的约束系数为：
Figure DEST_PATH_IMAGE126
其中，
Figure DEST_PATH_IMAGE128
表示第一节点和第二节点之间的约束系数。
在其中一个实施例中，重要性度量模块208还用于根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的正向权重函数为
Figure DEST_PATH_IMAGE130
，其中
Figure DEST_PATH_IMAGE132
为减函数；根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的反向权重函数为
Figure DEST_PATH_IMAGE134
，其中，
Figure DEST_PATH_IMAGE136
表示第二节点与第一节点之间的约束系数。
在其中一个实施例中，所述减函数为指数函数，重要性度量模块208还用于根据所述正向权重函数以及反向权重函数之和，确定所述连边的传播重要性值为：
Figure DEST_PATH_IMAGE138
其中，
Figure DEST_PATH_IMAGE140
，
Figure DEST_PATH_IMAGE142
，
Figure DEST_PATH_IMAGE144
表示传播重要性值。
在其中一个实施例中，识别模块210还用于根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力为：
Figure DEST_PATH_IMAGE146
其中，
Figure DEST_PATH_IMAGE148
表示待识别节点的传播影响力，
Figure DEST_PATH_IMAGE150
表示待识别节点的邻居节点集合。
在其中一个实施例中，识别模块210还用于确定待识别节点的传播影响力的修正传播影响力为：
Figure DEST_PATH_IMAGE152
其中，
Figure DEST_PATH_IMAGE154
表示节点j的传播影响力，
Figure DEST_PATH_IMAGE156
表示修正传播影响力。
关于社交网络中节点传播影响力识别装置的具体限定可以参见上文中对于社交网络中节点传播影响力识别方法的限定，在此不再赘述。上述社交网络中节点传播影响力识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种社交网络中节点传播影响力识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种社交网络中节点传播影响力识别方法，其特征在于，所述方法包括：
从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
根据所述社交网络中第一节点的度，以及第一节点的k-shell值，确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力，所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力，所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力；其中，所述第三节点为所述第一节点和所述第二节点的共同邻居，包括：
根据所述社交网络中第一节点的度，以及第一节点的k-shell值，确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力为：
Figure 878245DEST_PATH_IMAGE001
其中，
Figure 794248DEST_PATH_IMAGE002
表示第一精力，
Figure 718342DEST_PATH_IMAGE003
表示节点i的k-shell值，
Figure 87006DEST_PATH_IMAGE004
表示节点i的度；
所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力为：
Figure 636805DEST_PATH_IMAGE005
其中，
Figure 672894DEST_PATH_IMAGE006
表示第二精力；
所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力为：
Figure 767889DEST_PATH_IMAGE007
其中，
Figure 623850DEST_PATH_IMAGE008
表示第三精力，
Figure 728072DEST_PATH_IMAGE009
表示节点j的k-shell值，
Figure 353088DEST_PATH_IMAGE010
表示节点j的度；
根据所述第一精力、所述第二精力以及所述第三精力，确定第一节点和第二节点之间的约束系数；
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的正向权重函数以及反向权重函数；
根据所述正向权重函数以及反向权重函数之和，确定所述连边的传播重要性值；
根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力。
2.根据权利要求1所述的方法，其特征在于，根据所述第一精力、所述第二精力以及所述第三精力，确定第一节点和第二节点之间的约束系数，包括：
根据所述第一精力、所述第二精力以及所述第三精力，确定第一节点和第二节点之间的约束系数为：
Figure 145550DEST_PATH_IMAGE011
其中，
Figure 488807DEST_PATH_IMAGE012
表示第一节点和第二节点之间的约束系数。
3.根据权利要求2所述的方法，其特征在于，根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的正向权重函数以及反向权重函数，包括：
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的正向权重函数为
Figure 865561DEST_PATH_IMAGE013
，其中
Figure 610664DEST_PATH_IMAGE014
为减函数；
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的反向权重函数为
Figure 313040DEST_PATH_IMAGE015
，其中，
Figure 878014DEST_PATH_IMAGE016
表示第二节点与第一节点之间的约束系数。
4.根据权利要求3所述的方法，其特征在于，所述减函数为指数函数；
根据所述正向权重函数以及反向权重函数之和，确定所述连边的传播重要性值，包括：
Figure 573306DEST_PATH_IMAGE017
其中，
Figure 907336DEST_PATH_IMAGE018
，
Figure 780614DEST_PATH_IMAGE019
，
Figure 832883DEST_PATH_IMAGE020
表示传播重要性值。
5.根据权利要求4所述的方法，其特征在于，所述根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力，包括：
根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力为：
Figure 82599DEST_PATH_IMAGE021
其中，
Figure 536714DEST_PATH_IMAGE022
表示待识别节点的传播影响力，
Figure 564582DEST_PATH_IMAGE023
表示待识别节点的邻居节点集合。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
确定待识别节点的传播影响力的修正传播影响力为：
Figure 369727DEST_PATH_IMAGE024
其中，
Figure 891975DEST_PATH_IMAGE025
表示节点j的传播影响力，
Figure 466176DEST_PATH_IMAGE026
表示修正传播影响力。
7.一种社交网络中节点传播影响力识别装置，其特征在于，所述装置包括：
网络构建模块，用于从数据源获取社交网络；所述社交网络中包括：表示用户的节点，以及表示用户之间社交关系的连边；
精力确定模块，用于根据所述社交网络中第一节点的度，以及第一节点的k-shell值，确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力，所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力，所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力；其中，所述第三节点为所述第一节点和所述第二节点的共同邻居，包括：
根据所述社交网络中第一节点的度，以及第一节点的k-shell值，确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力为：
Figure 415677DEST_PATH_IMAGE027
其中，
Figure 957386DEST_PATH_IMAGE028
表示第一精力，
Figure 283325DEST_PATH_IMAGE029
表示节点i的k-shell值，
Figure 446453DEST_PATH_IMAGE030
表示节点i的度；
所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力为：
Figure 98014DEST_PATH_IMAGE031
其中，
Figure 346593DEST_PATH_IMAGE032
表示第二精力；
所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力为：
Figure 476223DEST_PATH_IMAGE033
其中，
Figure 8705DEST_PATH_IMAGE034
表示第三精力，
Figure 565588DEST_PATH_IMAGE035
表示节点j的k-shell值，
Figure 567042DEST_PATH_IMAGE036
表示节点j的度；
约束确定模块，用于根据所述第一精力、所述第二精力以及所述第三精力，确定第一节点和第二节点之间的约束系数；
重要性度量模块，用于根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数，构建描述所述连边的重要性的正向权重函数以及反向权重函数；根据所述正向权重函数以及反向权重函数之和，确定所述连边的传播重要性值；
识别模块，用于根据待识别节点的所有连边的所述传播重要性值，确定待识别节点的传播影响力。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210013140.7A 2022-01-06 2022-01-06 社交网络中节点传播影响力识别方法、装置和计算机设备 Active CN114297572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210013140.7A CN114297572B (zh) 2022-01-06 2022-01-06 社交网络中节点传播影响力识别方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210013140.7A CN114297572B (zh) 2022-01-06 2022-01-06 社交网络中节点传播影响力识别方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN114297572A CN114297572A (zh) 2022-04-08
CN114297572B true CN114297572B (zh) 2022-11-29

Family

ID=80975104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210013140.7A Active CN114297572B (zh) 2022-01-06 2022-01-06 社交网络中节点传播影响力识别方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN114297572B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530097A (zh) * 2016-10-11 2017-03-22 中国人民武装警察部队工程大学 一种基于随机游走机制的有向社交网络关键传播节点发现方法
CN107317704A (zh) * 2017-06-22 2017-11-03 西京学院 一种基于紧密度和结构洞的复杂网络重要节点排序方法
CN108711111A (zh) * 2018-05-16 2018-10-26 山东科技大学 一种基于K-shell分解的社交网络影响力最大化方法
CN110489598A (zh) * 2019-07-05 2019-11-22 中国联合网络通信集团有限公司 一种用户社团划分方法及装置
CN110826164A (zh) * 2019-11-06 2020-02-21 中国人民解放军国防科技大学 一种基于局部和全局连通性的复杂网络节点重要度评估方法
CN111127233A (zh) * 2019-12-26 2020-05-08 华中科技大学 一种社交网络无向有权图中用户核值计算方法
CN111310290A (zh) * 2018-12-12 2020-06-19 中移动信息技术有限公司 一种节点的社区划分的方法、装置及计算机可读存储介质
CN113726567A (zh) * 2021-08-28 2021-11-30 重庆理工大学 复杂网络中有影响力传播者识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180315083A1 (en) * 2015-01-09 2018-11-01 Research Foundation Of The City University Of New York Method to maximize message spreading in social networks and find the most influential people in social media
CN111242794A (zh) * 2020-01-20 2020-06-05 云南大学 一种度量社会网络影响力的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530097A (zh) * 2016-10-11 2017-03-22 中国人民武装警察部队工程大学 一种基于随机游走机制的有向社交网络关键传播节点发现方法
CN107317704A (zh) * 2017-06-22 2017-11-03 西京学院 一种基于紧密度和结构洞的复杂网络重要节点排序方法
CN108711111A (zh) * 2018-05-16 2018-10-26 山东科技大学 一种基于K-shell分解的社交网络影响力最大化方法
CN111310290A (zh) * 2018-12-12 2020-06-19 中移动信息技术有限公司 一种节点的社区划分的方法、装置及计算机可读存储介质
CN110489598A (zh) * 2019-07-05 2019-11-22 中国联合网络通信集团有限公司 一种用户社团划分方法及装置
CN110826164A (zh) * 2019-11-06 2020-02-21 中国人民解放军国防科技大学 一种基于局部和全局连通性的复杂网络节点重要度评估方法
CN111127233A (zh) * 2019-12-26 2020-05-08 华中科技大学 一种社交网络无向有权图中用户核值计算方法
CN113726567A (zh) * 2021-08-28 2021-11-30 重庆理工大学 复杂网络中有影响力传播者识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Core-like groups result in invalidation of identifying super-spreader by k-shell decomposition;Ying Liu et.al;《Scientific Reports》;20150506;1-8 *
Ruan Yi-Run et.al.Ranking node importance in large-scale complex network From a perspective of local abnormal links.《2017 3rd International Conference on Big Data Computing and Communications》.2017,350-353. *
利用邻域"结构洞"寻找社会网络中最具影响力节点;苏晓萍 等;《物理学报》;20150131;第64卷(第2期);020101-1-020101-11 *
基于领域相似度的复杂网络节点重要度评估算法;阮逸润 等;《物理学报》;20190228;第66卷(第3期);038902-1-038902-9 *

Also Published As

Publication number Publication date
CN114297572A (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
Zhang Interval importance sampling method for finite element-based structural reliability assessment under parameter uncertainties
CN111126668A (zh) 基于图卷积网络的Spark作业时间预测方法和装置
Banerjee et al. Using machine learning to assess short term causal dependence and infer network links
CN113821878B (zh) 一种改善高超声速气动热热流分布异常的计算方法和装置
CN110990135A (zh) 基于深度迁移学习的Spark作业时间预测方法和装置
JP2012518834A5 (zh)
US7447670B1 (en) Methods for monitoring conflicts in inference systems
Liu et al. Genetic algorithm optimized Taylor Kriging surrogate model for system reliability analysis of soil slopes
Li et al. Reliability analysis of structures with multimodal distributions based on direct probability integral method
CN111091276A (zh) 企业风险评分方法、装置、计算机设备和存储介质
Dobre et al. Limits of variance-based sensitivity analysis for non-identifiability testing in high dimensional dynamic models
Zhan et al. On stochastic model interpolation and extrapolation methods for vehicle design
Lopez et al. Uncertainty quantification for algebraic systems of equations
Leckey et al. Prediction intervals for load‐sharing systems in accelerated life testing
CN111934937B (zh) 基于重要性迭代的相依网络节点重要度评估方法和装置
Hu et al. Parallel Bayesian probabilistic integration for structural reliability analysis with small failure probabilities
CN111008311B (zh) 基于邻域弱连接的复杂网络节点重要性评估方法和装置
KR102334532B1 (ko) 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치 및 방법
CN110909975A (zh) 科研平台效益评估方法、装置
CN114297572B (zh) 社交网络中节点传播影响力识别方法、装置和计算机设备
Zhang et al. A general method for analysis and valuation of drawdown risk
Tong et al. Analytical probability propagation method for reliability analysis of general complex networks
Xiang et al. A most probable point method for probability distribution construction
CN114297585B (zh) 社交网络中重要节点排序方法、装置和计算机设备
Helmers et al. Predicting a cyclic Poisson process

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant