[发明专利]社交网络影响传播中初始用户选取方法

说明书

本发明公开了一种社交网络影响传播中初始用户选取方法，首先对社交网络进行k‑壳分解，然后分别计算每个壳应选取的初始用户数量，选择初始用户数量不为0的壳为候选壳，对于每个候选壳分别选取初始用户，由这些初始用户构成社交网络的初始用户集合，选取初始用户时，首先选取候选壳内度数最大的用户作为第1个初始用户，然后根据影响传播模型获取初始用户到对应激活集合的平均最短路径MSP，根据未被激活用户的MSP步邻居集合和激活用户集合来选取下一个初始用户。本发明在k‑壳分解基础上对初始用户选取方式进行改进，从而有效提高大规模社交网络中初始用户选择的效率和有效性。

技术领域

本发明属于社交网络影响传播技术领域，更为具体地讲，涉及一种社交网络影响传播中初始用户选取方法。

背景技术

随着在线社交网络Facebook、Twitter和微信等的普及，越来越多的人研究社交网络的影响传播现象，包括信息、病毒和新闻的传播或产品的采纳等。如何在社交网络中选取初始用户进行产品的有效促销，越来越受到商家的关注。例如，一个公司研发了一种新产品，这个公司需要通过社交网络选取一些初始用户，通过给这些初始用户提供免费的试用产品，使他们在试用产品后，把产品的信息传播给他们的朋友、朋友的朋友，等等，最终使得产品得到有效的促销(即社会网络影响最大化)，在市场营销方面具有重要的实际应用前景。

社交网络影响最大化，是指在某种传播模型下找到给定数量的最具有影响力的初始用户，使得产品的信息通过这些初始用户在社交网络中得到最大化的传播。由此可知，建立传播模型，快速地在社交网络中找到最具有影响力的初始用户，是社交网络影响最大化的核心和关键。

目前公知的传播模型主要有线性阈值模型、独立级联模型和热扩散模型。初始用户的选取方法包括贪心法及其他启发式算法。陈浩等(<计算机研究与发展>，2012)提出基于阈值的社交网络影响力最大化算法，根据每个节点在激活过程中动态变化的阈值来计算它的潜在影响值。邓晓衡(<发明专利201510072839.0>，2015)提出一种基于节点特性的初始节点选取方法，根据用户活跃度、用户敏感度和用户亲密度三方面因素，对节点特性进行评价，并通过贪心法选取影响力最大的初始用户节点集。吴俊等(发明专利CN201510186252.2，2015)提出一种基于社团结构挖掘算法的在线社会网络信息传播最大化方法，利用社团挖掘算法发现复杂网络的社团，并分别在这些社团对应的子图中寻找初始用户，最终形成初始用户集合。曹玖新等(<计算机学报>，2015)提出一种基于k-核的社会网络影响最大化算法，是一种基于核层次特征、节点度数和影响半径贪心的初始用户选取方法。胡庆成等(<物理学报>，2015)提出一种新的影响力最大化计算方法，该方法从一个网络中随机地选出一个节点，再从该节点及其邻居节中选出一个度最大的节点作为种子。张波等(<发明专利CN201410234220.0>，2014)提出基于信任的社会网络影响节点的计算方法，基于节点的信任度和影响值得到节点的综合影响，将节点的综合影响和该节点当前可以激活的节点数进行综合，找出潜在影响最大的节点。

实际中，随着在线社交网络数据规模的增大，快速地选取初始用户并最大化产品的传播影响变得困难。目前公知的初始用户选取方法，都只考虑小规模的和单机的社交网络中的初始用户选取方法，并最大化产品的影响传播，未考虑大规模的社交网络中初始用户选取方法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种社交网络影响传播中初始用户选取方法，在k-壳分解基础上对初始用户选取方式进行改进，从而有效提高大规模社交网络中初始用户选择的效率和有效性。

为实现上述发明目的，本发明社交网络影响传播中初始用户选取方法包括以下步骤：

S1：对社交网络进行k-壳分解；

S2：计算每个壳k_s＝i内应选取的初始用户数量q(k_s＝i)，计算公式为：