[发明专利]一种基于节点特性的影响力最大化初始节点选取方法

权利要求书

1.一种基于节点特性的影响力最大化初始节点选取方法包括以下步骤：

步骤1：对在线社会网络数据集进行处理，得到真实的用户行为日志和网络结构文件；

步骤2：遍历用户行为日志，对网络中的每一个节点，分别计算用户活跃度，用户敏感度和用户亲密度，对u节点，用户活跃度act(u)定义为：

代表节点u执行的行为的个数，代表节点u受到邻居节点影响而被动执行的行为个数，代表训练集中记录的行为总个数，参数λ对两种行为数量指标进行控制，取值范围为(0,1)，用户敏感度定义如下：

记录节点u的所有邻居节点中首次执行行为a的时刻，t_u(a)代表节点u最终被影响而执行相同行为a的时刻，τ_u代表节点u与其邻居节点之间的平均延迟时间；当两个时刻的时间跨度越长，的值就越小，用户亲密度p_v，u计算公式如下：

表示节点u和节点v执行行为种类集合的并集，表示节点u和节点v执行行为种类集合的交集；

步骤3：分别对用户敏感度和用户亲密度进行归一化处理，节点u的用户平均敏感度和用户平均亲密度计算规则如下：

pu^=1|N(u)|Σv∈N(u)pv,u]]>

代表训练集中记录的行为，N(u)表示节点u的邻接节点集合，v∈N(u)，初始用户影响力定义为：

给定节点u与其邻居节点v之间的平均延迟时间τ_v，u和节点u的初始用户影响力iniful(u)，使用连续衰减函数对邻接节点v和节点u之间的影响力进行变换，计算公式如下：

Ψu∈Nout(v)v,u(a)=iniful(v)·exp(-(tu(a)-tv0(a))24π·τv,u)]]>

代表对于行为a而言，节点v对节点u的用户影响力，是节点v执行行为a的时刻，N_out(v)表示节点v的出邻居节点集合，u∈N_out(v)，t_u(a)代表节点u最终被影响而执行相同行为a的时刻；

步骤4：定义分配给节点v让其影响节点u的信用，对于任意的两个节点v和节点u，给予节点v让其影响节点u的总信用定义为：

Γv,u(a)=Σw∈Nin(u)Γv,w(a)·γw,u(a)]]>

其中，N_in(u)表示节点u的入邻居节点集合，节点w为节点u的入邻居，w∈N_in(u)，γ_w，u(a)代表给予节点w让其影响邻接节点u的直接信用，公式表示对于任意的两个节点v和节点u，给予节点v让其影响节点u的总信用等于以节点u的所有入邻居为中间节点，给予节点v让其影响节点u的信用乘积之和，γ_w，u(a)代表对于行为a而言，给予节点w让其影响邻接节点u的直接信用，其值等于节点w对节点u的用户影响力，即相似地，给予一个节点集合S让其影响节点u的总信用计算公式如下：

Γs,u(a)=Σw∈Nin(u)∩w∉SΓs,w(a)·γw,u(a)]]>

步骤5：通过遍历用户行为传播日志，沿着行为传播路径逆向进行信用分配,计算节点x对于所有行为的边际收益：

σ_cd(x)为对于节点x的影响力传播函数，S为当前初始节点集合，V代表网络中全体节点的总集，为通过行为a在节点集合V-S中给予节点x让其影响节点u的信用，为给予节点v让其影响除当前初始节点集合S之外的其他节点的总信用，Г_S，x(a)代表对于行为a，给予当前初始节点集合的S的信用值，节点的信用值越高代表影响力越大，结合贪心算法递归选取边际收益最大的节点插入初始节点集合S；

步骤6：判断初始节点集合中元素的个数是否已经达到要求的个数k，如果已经达到，则得到最终的初始节点集合，如果未达到，则对除当前初始节点集合之外的节点之间的信用分布进行更新，并重新回到步骤5。