CN116756207A - 基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法 - Google Patents
基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法 Download PDFInfo
- Publication number
- CN116756207A CN116756207A CN202310569958.1A CN202310569958A CN116756207A CN 116756207 A CN116756207 A CN 116756207A CN 202310569958 A CN202310569958 A CN 202310569958A CN 116756207 A CN116756207 A CN 116756207A
- Authority
- CN
- China
- Prior art keywords
- node
- crow
- network
- nodes
- influence
- 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
- 238000010845 search algorithm Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005065 mining Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000008901 benefit Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000009792 diffusion process Methods 0.000 abstract description 4
- 238000013508 migration Methods 0.000 abstract description 2
- 230000005012 migration Effects 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 7
- 239000002245 particle Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及到计算机复杂网络优化技术领域,公开了一种基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法,包括:首先对引文网络预处理转换为邻接矩阵,并对该网络做反向得到反向网络;然后利用LRDiscount算法对反向网络的节点进行初始筛选得到候选节点集C;接下来根据改进离散乌鸦搜索算法的局部优化过程对候选节点集C进行优化;最后从优化后的节点集中选择最优的集合,并进行节点影响力评估,从而得到最终k个关键种子节点。与现有技术相比,本发明将网络节点的影响力折扣策略与改进离散乌鸦搜索算法相结合,从模仿乌鸦搜索过程中更新节点位置进行影响力扩散,通过乌鸦个体在引文网络中游走产生的边际增益来寻找关键节点。
Description
技术领域
本发明属于复杂网络影响力最大化技术领域,特别涉及一种基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法。
背景技术
随着各类移动社交服务对人类生活、社交的渗透,社交网络在信息共享、信息传播扩散等方面起到了不可忽视的作用。规模巨大的社交网络对传统的影响力最大化问题的研究造成了很大的挑战,也令该问题的研究具有更大的现实意义,而IM(InfluenceMaximization,IM)旨在社交网络中求解出K个有影响力的节点(节点代表社交媒体用户),并利用“口碑”效应传播信息,使这些节点的影响力范围达到最大。因此,如何在确保时间复杂度与传播效果情况下,在网络中选择K个节点是影响力最大化问题面临的主要难题。
对于影响力最大化问题,其关键在于如何选取网络中的关键节点,此问题自20世纪以来被研究者所关注。在信息科学领域,随着对社会媒体中信息传播和扩散问题研究的深入,这些关键节点在网络结构动态演化、传播控制等研究中都发挥极其重要作用。一些研究者将元启发式搜索算法应用到网络关键节点挖掘中,但缺点在于该算法执行的速度慢,时间复杂度高,无法在大规模的网络中应用。所以当下在该算法研究领域的基础上,Zhang等人则是考虑到邻居节点在衡量节点影响力方面会发挥重要的作用,故提出了一种结合Pagerank的启发式算法PRDiscount,该算法明确的折扣了所有与所选种子有社会关系个体的影响力。但元启发式算法虽然在一定程度上提高了挖掘关键节点的优化效率,可是该单一解的算法在迭代过程中只有一个解,对于解决小规模网络的关键节点挖掘问题具有简单、快速的优点,容易陷入局部最优,从而导致网络信息冗余。继而Gong等人提出一种基于离散粒子群优化算法的关键节点识别方法,该方法将粒子的位置定义为节点编号,将粒子的速度定义为判断节点是否进行更新的记号,经过多次迭代,进而寻找出搜索条件限制下的全局最优粒子Gbest,该粒子的位置就是寻找出的最优种子节点集合。因此,为了克服算法的缺点,目前对寻找关键节点的影响力最大化研究与群体智能优化算法相结合,其模拟了生物种群的合作行为或物理现象的进化过程,因其强大的启发式搜索思维和全局搜索能力,近年来被广泛应用于影响力最大化的优化问题中。
因此,如何设计出一种准确度高,代价低的方法,可以在大规模网络中获取种子节点是极其重要的。
发明内容
发明目的:针对传统的网络关键节点挖掘存在网络规模大、数据量多等问题,从而导致直接进行关键节点挖掘效率低、时间复杂度高,本发明提出了一种基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法,将网络节点的影响力折扣策略与改进离散乌鸦搜索算法相结合,从模仿乌鸦搜索过程中更新节点位置进行影响力扩散,通过乌鸦个体在引文网络中游走产生的边际增益来寻找关键节点。
技术方案:本发明提出了一种基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法,包括如下步骤:
S1、对引文网络预处理,将目标网络进行转换,得到一个目标网络的邻接矩阵,并对该引文网络做反向操作,得到反向网络;
S2、根据折扣策略算法LRDiscount对S1中反向网络中每个指向种子节点的节点影响力进行折扣,得到折扣后的节点影响力,依次选择值最大的节点并添加到候选节点集C;
S3、利用改进离散乌鸦搜索算法的局部优化过程对候选节点集C进行优化,候选节点集即为候选乌鸦群,所述改进离散乌鸦搜索算法在传统离散乌鸦搜索算法基础上增加并行化迭代处理,即离散乌鸦搜索在每次迭代时只与该乌鸦个体对应的记忆向量作对比,从而更新记忆向量以满足乌鸦个***置向量的更新,得到优化后的节点集C*;
S4、从优化后的节点集C*中选择最优的集合,并进行节点影响力评估,从而得到最终k个关键种子节点。
进一步地,所述步骤S2中获取候选节点集C的具体步骤为:
S2.1、在反向网络中增加一个背景节点bg,将其与网络中所有节点相连接,从而得到一个强连通的N+1个节点的新网络;
S2.2、给背景节点bg之外的N个节点分配1单位的LR值,背景节点bg的LR值为0;
S2.3、将这1单位的LR值平均分配给其直接相连的出邻居节点,不断迭代直到达到稳定状态:
其中,为节点vj的出度,wji为邻接矩阵元素,表示节点vj与节点vi之间存在边,则wji=1,否则为0;
S2.4、当迭代结束后,将背景节点bg的LR值LRbg(tc)均分给网络中的所有节点,得到节点vi的最终LR值;
S2.5、折扣策略算法LRDiscount通过对每个种子节点的邻居节点的影响力进行折扣,即在反向网络中,对每个指向种子节点的节点影响力进行折扣,从而得到折扣后的节点影响力:
其中,S为种子节点集合,表示节点vi的邻居节点中种子节点的数量占所有邻居节点数量之比;
S2.6、根据最终得到的节点影响力,在INF中依次选择值最大的节点并添加到候选节点集C中。
进一步地,所述步骤S3中利用改进离散乌鸦搜索算法的局部优化过程对候选节点集C进行优化的具体步骤为:
S3.1、对离散乌鸦搜索算法框架IDCSA中的各项数据进行初始化工作,其中,乌鸦群体规模为N,待求解的种子节点集合为k,最大迭代次数tmax,感知概率AP及局部搜索节点近邻域范围S初始参数;
S3.2、依据步骤S2中得到的候选节点集C作为候选乌鸦群,并且来初始化乌鸦种群的位置向量xi=(node1,node2,...,noden),记忆向量Memoryt-1=[m1,m2,...,mn]-1;并从初始化种群中选择初始最优解位置向量X*;
S3.3、基于节点编码与对乌鸦群***置向量和记忆向量的离散化表示后,构建网络空间的离散化搜索规则:
其中,R(ri,s)为局部搜索机制,符号“∩”定义为一种逻辑交叉操作,其目的在于比较两位置向量是否存在重复节点;
S3.4、基于步骤S2中产生的候选节点集C的节点池,定义目标函数来计算N个乌鸦个体的函数拟合值,采用局部影响力评估函数LIE来进行乌鸦位置向量进化中对种子节点影响力的近似评估:
S3.5、对候选节点集C中各节点的2阶邻居节点根据改进的离散乌鸦搜索算法进行局部优化搜索,若某2邻居节点的边际收益值相对该节点自身的边际收益大,则用2阶邻居节点替换当前最优解中的该节点,重复执行,直到最大迭代次数tmax达到上限。
进一步地,所述步骤S3.5中根据改进的乌鸦搜索算法对节点集进行局部优化搜索的具体步骤为:
1)计算当前乌鸦个体i与被跟踪乌鸦个体j的最优位置向量差在此基础上,进行交叉操作得到决策向量Vnode后判断是否进行局部搜索优化;
2)将节点xi的一阶直接邻居节点存入节点集Neighbors中,再依次对该节点进行遍历,找出其2跳近邻节点集并纳入节点集NodeSet中,等到每个节点的一阶邻居节点遍历完成后,对节点集NodeSet进行去重,保证2跳近邻节点没有重复节点存在;
3)依次计算出种子集位置向量xi在对应位置的节点被其近邻节点代替后的LIE适配值,并选择这些近邻节点集NodeSet中能够在xi向量中带来最大收益的节点,将对应的xi向量中的节点进行替换。
进一步地,所述S4中当局部搜索优化迭代次数达到tmmax后所得节点集C*,节点集C*中的节点通过影响力最大化算法选出k个关键节点集。
有益效果:
本发明挖掘关键节点时基于折扣策略与改进离散乌鸦搜索算法,解决了算法收敛慢和最优种子集的综合影响力低的问题,具体表现为:
(1)通过LRDiscount算法对引文网络中节点间相互影响进行“折扣”,充分利用到网络拓扑结构与节点属性信息。
(2)在离散乌鸦搜索算法进行局部搜索优化中,考虑到网络节点折扣策略,从而筛选出初始激活状态的种子集合,其避免了初始化种子节点集对算法收敛速度、结果好坏的缺点。
(3)在离散乌鸦群搜索规则中添加交叉操作,不仅维持搜索过程中种群的丰富性,避免陷入局部最优解,而且确保更新后的最佳节点在向量xi中无重复节点。
本发明针对关键节点挖掘问题,首先将目标问题转化成优化问题,然后利用提出的网络节点折扣策略筛选初始种子集,随之改进离散乌鸦搜索算法对最终种子集进行优化求解。本方法优化了未来影响力最大化问题的研究中寻找复杂网络中的关键节点,在同等条件下,可以取得更好的效果。
附图说明
图1为本发明的整体流程图;
图2为图1中LRDiscount算法子流程图;
图3为图1中改进离散乌鸦搜索算法局部优化过程子流程图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,本发明公开的一种基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法的具体步骤如下:
S1、对引文网络预处理,将目标网络进行转换,得到一个目标网络的邻接矩阵,并对该引文网络做反向操作,得到反向网络。
S2、根据折扣策略算法LRDiscount对S1中反向网络中每个指向种子节点的节点影响力进行折扣,得到折扣后的节点影响力,依次选择值最大的节点并添加到候选节点集C,其具体步骤如下:
S2.1、在步骤S1中得到的反向网络中,通过增加一个背景节点bg,将其与网络中所有节点相连接,从而得到一个强连通的N+1个节点的新网络。
S2.2、给背景节点bg之外的N个节点分配1单位的LR值,背景节点bg的LR值为0:
S2.3、将这1单位的LR值平均分配给其直接相连的出邻居节点,不断迭代直到达到稳定状态:
其中,为节点vj的出度,wji为邻接矩阵元素,表示节点vj与节点vi之间存在边,则wji=1,否则为0。
S2.4、当迭代结束后,将背景节点bg的LR值LRbg(tc)均分给网络中的所有节点,得到节点vi的最终LR值:
S2.5、折扣策略算法LRDiscount通过对每个种子节点的邻居节点的影响力进行折扣,即在反向网络中,对每个指向种子节点的节点影响力进行折扣,从而得到折扣后的节点影响力:
其中,S为种子节点集合,表示节点vi的邻居节点中种子节点的数量占所有邻居节点数量之比。
S2.6、根据最终得到的节点影响力,在INF中依次选择值最大的节点并添加到候选节点集C中。
S3、利用改进离散乌鸦搜索算法的局部优化过程对候选节点集C进行优化,候选节点集即为候选乌鸦群,所述改进离散乌鸦搜索算法在传统离散乌鸦搜索算法基础上增加并行化迭代处理,即离散乌鸦搜索在每次迭代时只与该乌鸦个体对应的记忆向量作对比,从而更新记忆向量以满足乌鸦个***置向量的更新,得到优化后的节点集C*,如附图2所示,其具体步骤如下:
S3.1、对离散乌鸦搜索算法框架IDCSA中的各项数据进行初始化工作,其中,乌鸦群体规模为N,待求解的种子节点集合为k,最大迭代次数tmax,感知概率AP及局部搜索节点近邻域范围S等初始参数。
S3.2、依据步骤S2中得到的候选节点集C来初始化乌鸦种群的位置向量xi=(node1,node2,...,noden),记忆向量Memoryt-1=[m1,m2,...,mn]-1;并从初始化种群中选择初始最优解位置向量X*。
S3.3、基于节点编码与对乌鸦群***置向量和记忆向量的离散化表示后,构建网络空间的离散化搜索规则:
其中,R(ri,s)为局部搜索机制,符号“∩”定义为一种逻辑交叉操作,其目的在于比较两位置向量是否存在重复节点。
S3.4、基于步骤S2中产生的候选节点集C的节点池,定义目标函数来计算N个乌鸦个体的函数拟合值,采用局部影响力评估函数LIE来进行乌鸦位置向量进化中对种子节点影响力的近似评估:
S3.5、对候选节点集C中各节点的2阶邻居节点根据改进的离散乌鸦搜索算法进行局部优化搜索,若某2邻居节点的边际收益值相对该节点自身的边际收益大,则用2阶邻居节点替换当前最优解中的该节点,重复执行,直到最大迭代次数tmax达到上限。具体过程如下:
首先计算当前乌鸦个体i与被跟踪乌鸦个体j的最优位置向量差在此基础上,进行交叉操作得到决策向量Vnode后判断是否进行局部搜索优化。
然后将节点xi的一阶直接邻居节点存入节点集Neighbors中,再依次对该节点进行遍历,找出其2跳近邻节点集并纳入节点集NodeSet中,等到每个节点的一阶邻居节点遍历完成后,对节点集NodeSet进行去重,保证2跳近邻节点没有重复节点存在。
最后再依次计算出种子集位置向量xi在对应位置的节点被其近邻节点代替后的LIE适配值,并选择这些近邻节点集NodeSet中能够在xi向量中带来最大收益的节点,将对应的xi向量中的节点进行替换。
S4、从优化后的节点集C*中选择最优的集合,并进行节点影响力评估,从而得到最终k个关键种子节点。
本发明可以计算机***结合,从而完成对种子节点的挖掘。
本发明公开的一种基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法可以用于不同规模复杂网路中关键节点的挖掘。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法,其特征在于,包括如下步骤:
S1、对引文网络预处理,将目标网络进行转换,得到一个目标网络的邻接矩阵,并对该引文网络做反向操作,得到反向网络;
S2、在S1所述的反向网络中,根据LRDiscount算法对网络的节点影响力进行折扣计算,从而得到折扣后的节点影响力,并依次选择值最大的节点并添加到候选节点集C;
S3、利用改进离散乌鸦搜索算法的局部优化过程对候选节点集C进行优化,候选节点集即为候选乌鸦群,所述改进离散乌鸦搜索算法在传统离散乌鸦搜索算法基础上增加并行化迭代处理,即离散乌鸦搜索在每次迭代时只与该乌鸦个体对应的记忆向量作对比,从而更新记忆向量以满足乌鸦个***置向量的更新,得到优化后的节点集C*;
S4、最后从优化后的节点集C*中选择最优的集合,并进行节点影响力评估,从而得到最终k个关键种子节点。
2.根据权利要求1所述的基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法,其特征在于,所述步骤S2中获取候选种子集C的具体步骤为:
S2.1、在反向网络中增加一个背景节点bg,将其与网络中所有节点相连接,从而得到一个强连通的N+1个节点的新网络;
S2.2、给背景节点bg之外的N个节点分配1单位的LR值,背景节点bg的LR值为0;
S2.3、将这1单位的LR值平均分配给其直接相连的出邻居节点,不断迭代直到达到稳定状态:
其中,为节点vj的出度,wji为邻接矩阵元素,表示节点vj与节点vi之间存在边,则wji=1,否则为0;
S2.4、当迭代结束后,将背景节点bg的LR值LRbg(tc)均分给网络中的所有节点,得到节点vi的最终LR值;
S2.5、折扣策略算法LRDiscount通过对每个种子节点的邻居节点的影响力进行折扣,即在反向网络中,对每个指向种子节点的节点影响力进行折扣,从而得到折扣后的节点影响力:
其中,S为种子节点集合,表示节点vi的邻居节点中种子节点的数量占所有邻居节点数量之比;
S2.6、根据最终得到的节点影响力,在INF中依次选择值最大的节点并添加到候选节点集C中。
3.根据权利要求1所述的基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法,其特征在于,所述步骤S3中利用改进离散乌鸦搜索算法的局部优化过程对候选节点集C进行优化的具体步骤为:
S3.1、对离散乌鸦搜索算法框架IDCSA中的各项数据进行初始化工作,其中,乌鸦群体规模为N,待求解的种子节点集合为k,最大迭代次数tmax,感知概率AP及局部搜索节点近邻域范围S初始参数;
S3.2、依据步骤S2中得到的候选节点集C作为候选乌鸦群,从而初始化乌鸦种群的位置向量xi=(node1,node2,…,noden),记忆向量Memoryt-1=[m1,m2,…,mn]-1;并从初始化种群中选择初始最优解位置向量X*;
S3.3、基于节点编码与对乌鸦群***置向量和记忆向量的离散化表示后,构建网络空间的离散化搜索规则:
其中,R(ri,s)为局部搜索机制,符号“∩”定义为一种逻辑交叉操作,其目的在于比较两位置向量是否存在重复节点;
S3.4、基于步骤S2中产生的候选节点集C的节点池,定义目标函数来计算N个乌鸦个体的函数拟合值,采用局部影响力评估函数LIE来进行乌鸦位置向量进化中对种子节点影响力的近似评估:
S3.5、对候选节点集C中各节点的2阶邻居节点根据改进的离散乌鸦搜索算法进行局部优化搜索,若某2邻居节点的边际收益值相对该节点自身的边际收益大,则用2阶邻居节点替换当前最优解中的该节点,重复执行,直到最大迭代次数tmax达到上限。
4.根据权利要求3所述的基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法,其特征在于,所述步骤S3.5中根据改进的乌鸦搜索算法对节点集进行局部优化搜索的具体步骤为:
1)计算当前乌鸦个体i与被跟踪乌鸦个体j的最优位置向量差在此基础上,进行交叉操作得到决策向量Vnode后判断是否进行局部搜索优化;
2)将节点xi的一阶直接邻居节点存入节点集Neighbors中,再依次对该节点进行遍历,找出其2跳近邻节点集并纳入节点集NodeSet中,等到每个节点的一阶邻居节点遍历完成后,对节点集NodeSet进行去重,保证2跳近邻节点没有重复节点存在;
3)依次计算出种子集位置向量xi在对应位置的节点被其近邻节点代替后的LIE适配值,并选择这些近邻节点集NodeSet中能够在xi向量中带来最大收益的节点,将对应的xi向量中的节点进行替换。
5.根据权利要求1所述的基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法,其特征在于,所述S4中当局部搜索优化迭代次数达到tmax后所得节点集C*,节点集C*中的节点通过影响力最大化算法选出k个关键节点集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310569958.1A CN116756207A (zh) | 2023-05-19 | 2023-05-19 | 基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310569958.1A CN116756207A (zh) | 2023-05-19 | 2023-05-19 | 基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116756207A true CN116756207A (zh) | 2023-09-15 |
Family
ID=87957940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310569958.1A Pending CN116756207A (zh) | 2023-05-19 | 2023-05-19 | 基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756207A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117811992A (zh) * | 2024-02-29 | 2024-04-02 | 山东海量信息技术研究院 | 一种网络不良信息传播抑制方法、装置、设备及存储介质 |
-
2023
- 2023-05-19 CN CN202310569958.1A patent/CN116756207A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117811992A (zh) * | 2024-02-29 | 2024-04-02 | 山东海量信息技术研究院 | 一种网络不良信息传播抑制方法、装置、设备及存储介质 |
CN117811992B (zh) * | 2024-02-29 | 2024-05-28 | 山东海量信息技术研究院 | 一种网络不良信息传播抑制方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ciornei et al. | Hybrid ant colony-genetic algorithm (GAAPI) for global continuous optimization | |
Ghahramani et al. | IoT-based route recommendation for an intelligent waste management system | |
Ji et al. | A decomposition-based ant colony optimization algorithm for the multi-objective community detection | |
Aghaee et al. | A survey on meta-heuristic algorithms for the influence maximization problem in the social networks | |
Liu et al. | A fast differential evolution algorithm using k-Nearest Neighbour predictor | |
Zhou et al. | A density based link clustering algorithm for overlapping community detection in networks | |
CN110619082B (zh) | 一种基于重复搜索机制的项目推荐方法 | |
CN116756207A (zh) | 基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法 | |
Zhao et al. | A decomposition-based many-objective ant colony optimization algorithm with adaptive solution construction and selection approaches | |
CN113627479B (zh) | 一种基于半监督学习的图数据异常检测方法 | |
Di Placido et al. | A genetic algorithm for the close-enough traveling salesman problem with application to solar panels diagnostic reconnaissance | |
Xiao et al. | Convergence improvement of differential evolution for community detection in complex networks | |
CN115952424A (zh) | 一种基于多视图结构的图卷积神经网络聚类方法 | |
CN115602243A (zh) | 一种基于多相似性融合的疾病关联信息预测方法 | |
Sun | A study of solving traveling salesman problem with genetic algorithm | |
Zhang et al. | Memory-efficient hierarchical neural architecture search for image restoration | |
Wang et al. | Penalty and prediction methods for dynamic constrained multi-objective optimization | |
Yu et al. | Community detection in the textile-related trade network using a biased estimation of distribution algorithm | |
Qian et al. | Knowledge transfer evolutionary search for lightweight neural architecture with dynamic inference | |
Tavakoli et al. | Algorithms for inferring multiple microbial networks | |
Hu et al. | Differential evolution based on network structure for feature selection | |
CN116010291A (zh) | 基于均衡优化理论与灰色预测模型的多路径覆盖测试方法 | |
Zhang et al. | A co-evolutionary algorithm based on sparsity clustering for sparse large-scale multi-objective optimization | |
Guo et al. | THGNCDA: circRNA–disease association prediction based on triple heterogeneous graph network | |
CN111209679B (zh) | 一种基于遗传算法的土壤重金属含量空间插值方法 |
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 |