CN115665082A - 基于信息熵改进的社交网络关键节点识别方法及*** - Google Patents
基于信息熵改进的社交网络关键节点识别方法及*** Download PDFInfo
- Publication number
- CN115665082A CN115665082A CN202211282408.3A CN202211282408A CN115665082A CN 115665082 A CN115665082 A CN 115665082A CN 202211282408 A CN202211282408 A CN 202211282408A CN 115665082 A CN115665082 A CN 115665082A
- Authority
- CN
- China
- Prior art keywords
- nodes
- node
- information entropy
- seed
- social network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000006872 improvement Effects 0.000 title claims abstract description 20
- 208000015181 infectious disease Diseases 0.000 claims description 40
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000003313 weakening effect Effects 0.000 claims description 5
- 230000002458 infectious effect Effects 0.000 claims 1
- 230000036962 time dependent Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 11
- 241000699800 Cricetinae Species 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000012792 core layer Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及网络监控技术领域,提出了基于信息熵改进的社交网络关键节点识别方法及***,方法包括如下步骤:针对社交网络节点,通过社交网络节点的Ks值和能够反映节点传播能力的信息熵,计算社交网络节点的综合影响力;选取综合影响力最大的节点为种子节点;削弱更新种子节点的邻居节点的信息熵,使得种子节点更加广泛而均匀分布;循环执行上述步骤迭代计算所有节点的综合影响力,选取种子节点。通过基于信息熵的改进K‑shell方法来识别社交网络的关键节点,可以更广泛地挖掘关键节点,识别结果更准确,相比于传统方法,该方法考虑了节点之间的传播能力,且综合考虑网络的全局特性和局部属性共同判断节点的重要性。
Description
技术领域
本公开涉及网络监控相关技术领域,具体的说,是涉及基于信息熵改进的社交网络关键节点识别方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,并不必然构成在先技术。
随着网络技术的迅速发展和互联网的普及,复杂网络的关键节点问题受到广泛关注,微信、微博等社交应用逐渐产生了海量数据,信息传播模型研究成为社交网络分析的热点。在社交网络的信息传播中,用户无时无刻不受到他人的观点以及行为的影响,影响力最大化节点作为网络焦点和传播扩散源节点,对人们日常中社交信息的决策起到关键作用。如何快速准确地识别网络中有影响力的传播节点对加速信息传播、抑制虚假信息等至关重要。
近些年来,影响力最大化(Influence Maximization,IM)在虚假信息控制、网络监控、信息推广等领域发挥着至关重要的作用,影响力最大化的目标是快速确定最有影响力的种子节点,并通过种子节点与其他节点之间的相互作用使信息传播范围最大。针对大规模的社交网络,如何在现实中有效地解决IM问题,具有非常大的挑战性。
发明人在研究中发现,传统算法挖掘的关键节点很有可能集中在某同一区域,不利于信息传播及信息推广。考虑网络节点位置的K-shell方法是目前应用最广泛的方法,K-shell分解法倾向于给多个节点分配一个相同的Ks值,但同一壳层节点的重要性可能并不相同,无法区分更接近网络内层的节点。另外,由于Ks值不能提供足够多的节点拓扑位置信息,K-shell 方法评估的种子节点通常位于图的中心位置,即识别的关键节点通常聚集在相同的区域。
如Liu等人根据节点和拥有最大Ks值的节点间最短距离进行排序。Zeng等人考虑网络中余留节点和移除节点的贡献提出混合度分解方法。Namtirtha等人提出了一种为网络中所有边分配权重的改进K-shell方法。Berahmand等人提出了一种局部排序方法识别关键节点,该方法基于重要位置参数衡量节点的重要性。Bea等人提出了核心中心度,但该方法在部分网络中分辨率不足。上述方法分别从不同角度衡量节点的重要性,但是仍存在一些问题,由于Ks值不能提供足够多的节点拓扑位置信息,K-shell方法评估的种子节点通常位于图的中心位置。避免前述现象可以达到更好的传播效果。Zareie等人在K-shell的基础上提出了ECRM方法,该方法通过考虑节点的公共层次及其邻域集来度量节点的影响。ECRM方法虽然一定程度上解决了前述问题,但其没有考虑节点的传播能力,并不适用于社交网络。
发明内容
本公开为了解决上述问题,提出了一种基于信息熵改进的社交网络关键节点识别方法及***,通过基于信息熵的改进K-shell方法来识别社交网络的关键节点,提出基于信息熵的改进K-shell方法,可以更广泛地挖掘关键节点,识别结果更准确,相比于传统方法,该方法考虑了节点之间的传播能力,能体现信息在社交网络中的传播,且综合考虑网络的全局特性和局部属性共同判断节点的重要性,提高了关键节点识别的准确性。
在本公开的方法中,全局位置的影响采用K-shell分解法衡量,局部结构的影响则通过节点的信息熵衡量,与传统方法相比,考虑了更多的局部信息以及节点的传播能力。并且,在种子节点被选出后,不同程度的削弱种子节点不同邻居节点的信息熵,剩余节点的更新与距离l和网络的平均度<k>有关,不仅反映了节点的局部结构信息,还保留了全局位置信息。综合考虑网络的全局特性和局部属性共同判断节点的重要性,提高了关键节点识别的准确性,使得种子节点的分布更加均匀且广泛。
为了实现上述目的,本公开采用如下技术方案:
一个或多个实施例提供了基于信息熵改进的社交网络关键节点识别方法,包括如下步骤:
针对社交网络节点,通过社交网络节点的Ks值和能够反映节点传播能力的信息熵,计算社交网络节点的综合影响力;
选取综合影响力最大的节点为种子节点;
削弱更新种子节点的邻居节点的信息熵,使得种子节点更加广泛而均匀分布;
循环执行上述步骤迭代计算所有节点的综合影响力,选取种子节点,直到选取出设定数量的种子节点。
一个或多个实施例提供了基于信息熵改进的社交网络关键节点识别***,包括:
节点综合影响力计算模块:被配置为用于针对社交网络节点,通过社交网络节点的Ks值和能够反映节点传播能力的信息熵,计算社交网络节点的综合影响力;
种子节点选取模块:被配置为用于选取综合影响力最大的节点为种子节点;
信息熵更新模块:被配置为用于削弱更新种子节点的邻居节点的信息熵,使得种子节点更加广泛而均匀分布;
循环迭代模块:被配置为用于循环执行上述步骤迭代计算所有节点的综合影响力,选取种子节点,直到选取出设定数量的种子节点。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法所述的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法所述的步骤。
与现有技术相比,本公开的有益效果为:
本公开中,基于信息熵的改进K-shell方法来识别社交网络的关键节点,相比于传统方法,该方法考虑了节点之间的传播能力,且综合考虑网络的全局特性和局部属性共同判断节点的重要性。引入综合影响力的概念,通过K-shell方法计算社交网络节点的Ks值和能够反映节点传播能力的信息熵共同计算节点的综合影响力,全面评估节点重要性;通过不同程度削弱种子节点的邻居节点的信息熵,使得种子节点更加广泛而均匀的分布。
本公开的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的限定。
图1是本公开实施例1的社交网络关键节点识别方法的流程图;
图2是本公开实施例1的实验的SIR模型状态转换示意图;
图3是本公开实施例1的实验在不同数据集采用不同的识别方法感染量F (t)随时间t变化的实验结果,其中,图3(a)中数据集为Jazz,图3(b)数据集为Email,图3(c)数据集为Facebook,图3(d)数据集为Hamster;
图4是本公开实施例1的实验在不同数据集下初始感染节点的比率ρ不固定的情况下,最终感染量F(tc)的实验结果,其中,图4(a)中数据集为Jazz,图4(b)数据集为Email,图4(c)数据集为Facebook,图4(d)数据集为 Hamster;
图5是本公开实施例1的实验在不同数据集下感染率μ不固定的情况下,最终感染量F(tc)的实验结果,其中,图5(a)中数据集为Jazz,图5(b)数据集为Email,图5(c)数据集为Facebook,图5(d)数据集为Hamster。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是,在不冲突的情况下,本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式公开的技术方案中,如图1-图5所示,基于信息熵改进的社交网络关键节点识别方法,可以简称为KSIE方法,包括如下步骤:
步骤1、针对社交网络节点,通过社交网络节点的Ks值和能够反映节点传播能力的信息熵,计算社交网络节点的综合影响力;
步骤2、选取综合影响力最大的节点为种子节点;
步骤3、削弱更新种子节点的邻居节点的信息熵,使得种子节点更加广泛而均匀分布;
循环执行上述步骤1-步骤3迭代计算所有节点的综合影响力,选取种子节点,直到选取出设定数量的种子节点,种子节点即为关键节点。
本实施例中,基于信息熵的改进K-shell方法来识别社交网络的关键节点,相比于传统方法,该方法考虑了节点之间的传播能力,且综合考虑网络的全局特性和局部属性共同判断节点的重要性。引入综合影响力的概念,通过K-shell 方法计算社交网络节点的Ks值和能够反映节点传播能力的信息熵共同计算节点的综合影响力,全面评估节点重要性;通过不同程度削弱种子节点的邻居节点的信息熵,使得种子节点更加广泛而均匀的分布。
下面以具体的实施例进行说明,KSIE方法的具体步骤如下:
(1)通过K-shell算法,计算所有网络节点的Ks值。
(2)通过公式(1)计算所有节点的初始信息熵。
(3)通过公式(2),计算所有节点的综合影响力。
(4)选择综合影响力最大的节点作为种子节点。
(5)通过公式(3)来更新二阶以内邻居节点的信息熵。
(6)重复进行步骤(2)-(5),直到选出n个种子节点,其中n为常数。
传统的K-shell方法,在同一壳层中,无法更进一步判断节点的重要程度,识别结果过于粗粒化。多次选择Ks值高的节点,容易产生重叠影响。
本实施例提出的KSIE方法提出综合影响力的概念,在K-shell方法的基础上,通过结合节点的信息熵,共同计算节点的综合影响力,从而确定影响力最大的节点,全面评估节点的重要性。
K-shell分解法是基于全局位置的算法,节点的信息熵是节点的局部属性,一定程度上反映了节点的传播能力,节点的重要程度取决于节点全局特性和局部属性的共同影响。在同一壳层中,信息熵不同的节点,拥有不同的影响力,节点的信息熵越大,其综合影响力就越高,传播能力就越强。
本实施例中,通过K-shell分解法计算每个节点的Ks值,方法步骤如下:
步骤11、计算网络中所有节点的度d,将网络中所有度为0的节点的Ks值设为0;
步骤12、删除网络中最小度值k的节点及其连接节点,重复迭代,直到网络中没有度为k的节点,所有已删除的节点和连接节点构成k壳层,其中所有节点的Ks值都等于k。
步骤13、重复上述步骤(12),直到所有节点都属于特定壳层。其中Ks值最大的节点所属的层为网络的核心层,位于核心层的节点具有最大的影响力。
在K-shell方法中,同一壳层的节点被认为具有相同的重要性和影响力,无法更进一步区分。且它忽略了删除节点的局部信息,因此,得到的结果过于粗粒化。
可选的,节点的信息熵为节点v向其的邻居集节点的传播能力,具体的通过节点的度计算,任意网络社交节点v的信息熵可以通过如下公式计算:
可选的,节点v的综合影响力为节点v的Ks值与节点v的信息熵的和。
具体的,将节点v的综合影响力定义为:
Inf(v)=Ks(v)+E(v) (2)
其中,Ks(v)为节点v的Ks值,E(v)为节点v的信息熵。
节点信息熵考虑了节点的传播效应,节点信息熵越大,越容易将影响传播到邻居节点,因此节点的影响力越大。节点信息熵是网络的无序度量。如果网络是随机连接的,则每个节点的节点信息熵相似。相反,在无标度网络中,高连通性节点数量较少,低连通性节点数量较多。每个节点的重要性不同,节点信息熵分布不均匀,因此更重要的节点将具有更大的节点信息熵。本实施例将信息熵计算应用在社交网络中,信息熵越大的用户拥有越强的传播能力,这些用户被定位为关键用户。
另外,为了使得种子节点更加均匀、广泛的分布,本实施例中,不同程度的削弱种子节点不同邻居节点的信息熵,距离种子节点越近的邻居节点应该被更进一步削弱,从而避免再次选择的种子节点与选定种子节点距离较近。
在一些实施例中,按照距离种子节点的距离设定邻居节点的信息熵的削弱程度,使得距离种子节点越近的邻居节点的信息熵的削弱程度越大,更新邻居节点的信息熵数值。
具体的,当节点v被选为种子节点时,其二阶以内邻居节点u的传播能力应被削弱,将剩余的距离节点v达l长度的邻居节点u传播能力即为信息熵的更新定义如下:
为说明本实施例方法的效果,在不同的社交网络数据集上的进行实验,实验结果表明,该方法的性能优于其他方法。下面是具体的实验过程。
1.获取数据集:实验选择了4个具有不同拓扑结构和性质的真实社交网络数据集。拓扑信息的描述如表1所示,其中,N为网络节点数,M为网络边数,kmax为网络的最大度,<k>为网络的平均度。数据集为:(1)Jazz:一群爵士音乐家之间的合作网络;(2)Email:一个用户电子邮件通信网络;(3)Facebook:从Facebook中提取的匿名社交网络;(4)Hamster:一个反映网站用户之间友谊和家庭联系的社交网络,其中N和M分别表示网络用户和两个节点之间的关系。
表1 4个网络的基本拓扑特征
网络 | N | M | k<sub>max</sub> | <k> |
Jazz网络 | 198 | 2742 | 100 | 27.69 |
Email网络 | 1133 | 5451 | 71 | 9.62 |
Facebook网络 | 1574 | 17215 | 314 | 21.87 |
Hamster网络 | 2426 | 16631 | 273 | 13.71 |
2.传播模型和性能指标:
信息在社交网络中的传播与传染病在人群中的扩散很相似,可以归结为网络上的某种传播行为。我们使用SIR传播模型获得的序列作为标准排序结构。SIR模型是典型的传染病模型,在SIR模型中,节点的状态可以分为3类:
S:易感染状态,初始条件下除了种子节点,所有节点处于该状态,以α的概率被其邻居节点感染。
I:感染状态,种子节点处于该状态,节点本身作为传染源,以α的概率感染其邻居节点。
R:恢复状态,I状态的节点随机以β的概率变成状态R,该状态的节点会获得免疫,不会再次被感染,直到达到稳定状态。
这里感染率被定义为:
图2为SIR模型中各状态转换示意图。为了避免参数μ带来的随机性,我们独立运行100次,取模拟结果的平均值。
3.实验结果分析:
为了验证本文方法的有效性,与度中心性degree、K-shell、MCDE、ECRM 和Iks方法进行实验分析和比较,将上述方法识别的种子节点作为SIR模型的初始感染节点。
Iks算法根据K-shell分解法将网络中的节点划分为不同的壳层,在每个壳层中只选择一个节点。IKS算法选择的种子节点不仅来自较高的壳层,也来自较低的壳层,这种方法可以解决原来K-shell分解法的缺点,但选择的种子节点仍可能分布过于紧密。
在SIR模型中,节点的传播能力可以通过时间感染量F(t)和最终感染量F (tc)来评估。在任意时刻t,感染量F(t)的计算公式如下:
其中,nI是处于感染状态I的节点的数量,nR是处于恢复状态R的节点的数量,n为网络的总节点数。
F(t)越大,表示在时间t时,受初始感染节点感染的节点越多。如图3所示,在感染率μ=1.5且初始感染节点的比率ρ=0.03的情况下,不同数据集的感染量F(t)随时间t变化的关系。在固定感染率μ和初始感染节点数量不变的情况下,比较不同方法的感染规模,可以看出在相同时间下,KSIE方法可以感染比其他方法更多的节点,在稳定阶段的感染量明显优于其他方法。另外可以看出,K-shell方法得到的感染规模几乎是最差的,尤其是在Hamster网络这样的大型网络中,达到稳定状态后的感染量只有0.130,而KSIE方法可以达到0.167,这是因为K-shell方法识别出的种子节点更倾向于聚集在同一区域,不利于信息的传播。KSIE方法在Jazz网络、Email网络和Facebook网络的感染量分别可以达到0.304、0.209和0.134。从速度上来看,KSIE方法分别在Jazz网络的第500 个时间步长,Email网络的第200个时间步长,Facebook网络的第700个时间步长,Hamster网络的第400个时间步长左右达到峰值,比其他方法花费更少的时间感染相同数量的节点。这是由于KSIE方法选择的种子节点分布更加广泛,因此传播速度更快。以上均表明,KSIE方法选择的节点具有更强的传播能力。
已恢复的节点为从感染状态I变成恢复状态R的节点。已恢复的节点数也就是处于状态R的节点的数量。
最终感染量F(tc)表示达到稳态时,网络中已恢复的节点数之和与网络中总节点数的比值,如下:
F(tc)越大,表示达到稳态时受影响的规模越大。如图4所示为在感染率μ=1.5的情况下,不同数据集的最终感染量F(tc)与初始感染节点的比率ρ的关系。初始感染节点越多,最终感染规模就越大。在初始感染节点数量不固定的情况下,比较不同方法的最终感染规模,可以看出,在ρ值相同的情况下, KSIE方法总是可以在大多数网络上感染比其他方法更多的节点。当ρ值较小时,所有方法的结果相差较小,但当初始感染节点较多时,KSIE方法显然可以影响更多的节点,尤其在Facebook网络和Hamster网络等中大型社交网络中,传播效果更为明显,当初始感染节点的比率ρ=0.03时,KSIE方法的最终感染率分别是0.115和0.155。在Jazz网络这样的小型网络中,KSIE即使不是最好的,但其价值仍然处于相对较高的位置。值得注意的是,KSIE方法在ρ值较小时的性能与其他方法基本相同,但随着初始感染节点的比率ρ值的上升,改进幅度增大。这说明了信息熵更新过程的合理性。当ρ较大时,KSIE的更新过程会影响更多的节点,这说明了更新节点信息熵的改进是正确的。
如图5所示,在初始感染节点的比率ρ=0.03的情况下,不同数据集的最终感染量F(tc)与感染率μ的关系。不同感染率μ对于最终感染规模的影响较大,感染率μ越大,最终感染量就越大。可以看出,当感染率μ较小时,所有方法的结果都表现得不理想。在感染率μ相同的情况下,KSIE方法几乎都能够达到最大的感染规模。在Jazz网络、Email网络、Facebook网络和Hamster网络中,当感染率μ=2时,KSIE方法的最终感染率分别是0.586、0.370、0.160和0.250。在Jazz网络中,尤其当感染率μ较小时,KSIE方法并没有取得最好的结果,这是由于Jazz网络的规模较小且高密集,说明KSIE方法更适合于中大型的社交网络。实验的总体结果表明,KSIE方法具有更强的泛化能力。
实施例2
基于实施例1,本实施例中提供基于信息熵改进的社交网络关键节点识别***,包括:
节点综合影响力计算模块:被配置为用于针对社交网络节点,通过社交网络节点的Ks值和能够反映节点传播能力的信息熵,计算社交网络节点的综合影响力;
种子节点选取模块:被配置为用于选取综合影响力最大的节点为种子节点;
信息熵更新模块:被配置为用于削弱更新种子节点的邻居节点的信息熵,使得种子节点更加广泛而均匀分布;
循环迭代模块:被配置为用于循环执行上述步骤迭代计算所有节点的综合影响力,选取种子节点,直到选取出设定数量的种子节点。
此处需要说明的是,本实施例中的各个模块与实施例1中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例3
本实施例提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1 的方法所述的步骤。
实施例4
本实施例提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1的方法所述的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.基于信息熵改进的社交网络关键节点识别方法,其特征在于,包括如下步骤:
针对社交网络节点,通过社交网络节点的Ks值和能够反映节点传播能力的信息熵,计算社交网络节点的综合影响力;
选取综合影响力最大的节点为种子节点;
削弱更新种子节点的邻居节点的信息熵,使得种子节点更加广泛而均匀分布;
循环执行上述步骤迭代计算所有节点的综合影响力,选取种子节点,直到选取出设定数量的种子节点。
2.如权利要求1所述的基于信息熵改进的社交网络关键节点识别方法,其特征在于:通过K-shell算法,计算所有网络节点的Ks值。
3.如权利要求2所述的基于信息熵改进的社交网络关键节点识别方法,其特征在于:通过K-shell分解法计算每个节点的Ks值,方法步骤如下:
步骤11、计算网络中所有节点的度d,将网络中所有度为0的节点的Ks值设为0;
步骤12、删除网络中最小度值k的节点及其连接节点,重复迭代,直到网络中没有度为k的节点,所有已删除的节点和连接节点构成k壳层,其中所有节点的Ks值都等于k;
步骤13、重复上述步骤12,直到所有节点都属于特定壳层。
4.如权利要求1所述的基于信息熵改进的社交网络关键节点识别方法,其特征在于:节点v的综合影响力为节点v的Ks值与节点v的信息熵的和。
5.如权利要求1所述的基于信息熵改进的社交网络关键节点识别方法,其特征在于:按照距离种子节点的距离设定邻居节点的信息熵的削弱程度,使得距离种子节点越近的邻居节点的信息熵的削弱程度越大,更新邻居节点的信息熵数值。
6.如权利要求1所述的基于信息熵改进的社交网络关键节点识别方法,其特征在于:以SIR传播模型作为传播模型验证权利要求1-5任一项所述基于信息熵改进的社交网络关键节点识别方法的中识别出节点的传播能力。
7.如权利要求6所述的基于信息熵改进的社交网络关键节点识别方法,其特征在于:网络节点的传播能力通过时间感染量F(t)和最终感染量F(tc)来评估;
时间感染量为在设定的时间t内,受初始感染节点感染的节点数量;
最终感染量为达到稳态时,网络中已恢复的节点数之和与网络中总节点数的比值。
8.基于信息熵改进的社交网络关键节点识别***,其特征在于,包括:
节点综合影响力计算模块:被配置为用于针对社交网络节点,通过社交网络节点的Ks值和能够反映节点传播能力的信息熵,计算社交网络节点的综合影响力;
种子节点选取模块:被配置为用于选取综合影响力最大的节点为种子节点;
信息熵更新模块:被配置为用于削弱更新种子节点的邻居节点的信息熵,使得种子节点更加广泛而均匀分布;
循环迭代模块:被配置为用于循环执行上述步骤迭代计算所有节点的综合影响力,选取种子节点,直到选取出设定数量的种子节点。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211282408.3A CN115665082A (zh) | 2022-10-19 | 2022-10-19 | 基于信息熵改进的社交网络关键节点识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211282408.3A CN115665082A (zh) | 2022-10-19 | 2022-10-19 | 基于信息熵改进的社交网络关键节点识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115665082A true CN115665082A (zh) | 2023-01-31 |
Family
ID=84989521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211282408.3A Pending CN115665082A (zh) | 2022-10-19 | 2022-10-19 | 基于信息熵改进的社交网络关键节点识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115665082A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117896261A (zh) * | 2024-01-23 | 2024-04-16 | 重庆理工大学 | 融合重力盒覆盖和有效距离复杂网络的关键节点识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104394202A (zh) * | 2014-11-13 | 2015-03-04 | 西安交通大学 | 一种移动社会网络中的节点活跃度量化方法 |
CN109874159A (zh) * | 2019-03-28 | 2019-06-11 | 中南大学 | 基于信息熵的移动机会网络节点社会关系度量、簇建立与更新及路由方法 |
CN115130044A (zh) * | 2022-06-17 | 2022-09-30 | 兰州大学 | 一种基于二阶h指数的影响力节点识别方法和*** |
-
2022
- 2022-10-19 CN CN202211282408.3A patent/CN115665082A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104394202A (zh) * | 2014-11-13 | 2015-03-04 | 西安交通大学 | 一种移动社会网络中的节点活跃度量化方法 |
CN109874159A (zh) * | 2019-03-28 | 2019-06-11 | 中南大学 | 基于信息熵的移动机会网络节点社会关系度量、簇建立与更新及路由方法 |
CN115130044A (zh) * | 2022-06-17 | 2022-09-30 | 兰州大学 | 一种基于二阶h指数的影响力节点识别方法和*** |
Non-Patent Citations (1)
Title |
---|
杨雄: "节点度量及影响力最大化算法研究", 浙江工业大学博士学位论文, 1 August 2018 (2018-08-01), pages 1 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117896261A (zh) * | 2024-01-23 | 2024-04-16 | 重庆理工大学 | 融合重力盒覆盖和有效距离复杂网络的关键节点识别方法 |
CN117896261B (zh) * | 2024-01-23 | 2024-07-19 | 重庆理工大学 | 融合重力盒覆盖和有效距离复杂网络的关键节点识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492201B (zh) | 一种基于社区结构的社交网络影响力最大化方法 | |
Huang et al. | Querying k-truss community in large and dynamic graphs | |
CN111428323B (zh) | 复杂网络中利用广义折扣度与k-shell识别一组关键节点的方法 | |
Voudigari et al. | Rank degree: An efficient algorithm for graph sampling | |
CN107276793B (zh) | 基于概率跳转随机游走的节点重要性度量方法 | |
JP2019056960A (ja) | 探索方法、探索プログラムおよび探索装置 | |
CN108809697B (zh) | 基于影响力最大化的社交网络关键节点识别方法及*** | |
Ma et al. | Decomposition‐based multiobjective evolutionary algorithm for community detection in dynamic social networks | |
CN113422695B (zh) | 一种提高物联网拓扑结构鲁棒性能的优化方法 | |
Fu et al. | Determining source–destination connectivity in uncertain networks: Modeling and solutions | |
US9674083B2 (en) | Path calculation order deciding method, program and calculating apparatus | |
JP6200076B2 (ja) | システムから取得される測定値を評価する方法及びシステム | |
CN109120431B (zh) | 复杂网络中传播源选择的方法、装置及终端设备 | |
Zhou et al. | Leveraging history for faster sampling of online social networks | |
CN115665082A (zh) | 基于信息熵改进的社交网络关键节点识别方法及*** | |
Ashraf et al. | WeFreS: weighted frequent subgraph mining in a single large graph | |
Liang et al. | On the prefix granularity problem in NDN adaptive forwarding | |
CN109218184B (zh) | 基于端口和结构信息的路由器归属as识别方法 | |
CN108965287B (zh) | 一种基于有限临时删边的病毒传播控制方法 | |
CN117035118A (zh) | 一种基于邻域信息熵和有效距离的复杂网络关键节点挖掘方法 | |
Fu et al. | Complexity vs. optimality: Unraveling source-destination connection in uncertain graphs | |
CN112199728B (zh) | 一种针对社交网络关系预测的隐私保护方法 | |
CN108011735B (zh) | 社区发现方法及装置 | |
Edalatmanesh | Heuristics for the critical node detection problem in large complex networks | |
Lin et al. | Computing the diameters of huge social networks |
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 |