[发明专利]基于深度自编码器的复杂网络节点影响力最大化方法

权利要求书

1.一种基于深度自编码器的复杂网络节点影响力最大化方法，其特征在于，包括有如下步骤：

(1)构建复杂网络数据：将真实世界的复杂网络抽象成拓扑图G＝(V,E)，其中，G表示一个拓扑图，V＝{v₁,v₂,…,v_|V|}表示网络中节点的集合，|V|表示网络中的节点数目，E＝{e_ij|v_i,v_j∈E}表示网络中边的集合；

(2)确定复杂网络各节点的初始影响力：使用权重级联传播模型定义拓扑图G各节点的初始影响力；

(3)估计两层范围内影响力传播值：在权重级联传播模型下，应用LIE方程得到拓扑图G复杂网络中各节点的两层范围内影响力传播范围估计值，两层范围内影响力传播估计值由初始激活节点数σ₀(S)，第一层影响力估计值σ₁(S)，第二层影响力估计值σ₂(S)之和构成；

(4)构建复杂网络影响力近似矩阵：根据拓扑图G复杂网络中各节点的两层范围内影响力传播范围估计值，构建影响力近似矩阵M：

M＝[m_ij]_|V|×|V|

其中，m_ij为复杂网络中单个节点的两层影响力传播范围估计值，

S＝{v_i∪v_j|v_i,v_j∈V}，M为|V|×|V|大小的矩阵；

(5)构建编解码模型：编解码模型由编码器和解码器构成，具有层次结构，每一层是由多个神经元构成，各个层之间的神经元相互连接，解码器和编码器为全连接对称结构，并定义编解码模型的目标函数，经过逐层贪心训练，训练完成后，编码器的最后一层神经元和解码器的第一层神经元视为复杂网络的影响力特征；

(6)训练编解码模型，优化编解码模型的目标函数，得到复杂网络各节点的影响力特征：将影响力近似矩阵输入到编解码模型中，使用Adadelta算法优化编解码模型的目标函数，使得影响力近似矩阵中的每一个元素x_i与经过解码器解码的x_i′的差距尽量小，最终得到一个n×m的网络影响力特征矩阵，n表示网络中的节点个数，m表示单个节点的影响力特征维数；

(7)选取拓扑图G复杂网络的影响力节点集合：从m维特征中，根据其数值大小，选择复杂网络中最具有影响力的前k个节点，该前k个节点集合使得在权重级联传播模型下，网络的影响力传播范围达到最大，完成基于深度自编码器的复杂网络节点影响力最大化。

2.根据权利要求1所述的基于深度自编码器的复杂网络节点影响力最大化方法，其特征在于，步骤3中所述的得到两层范围内影响力传播估计值，即初始激活节点数σ₀(S)，第一层影响力估计值σ₁(S)，第二层影响力估计值σ₂(S)之和，由以下公式计算：

其中，为节点v的邻居节点集合，S表示节点集合，k表示节点的个数，表示集合S中所有节点的邻居节点，表示集合S在两层影响力传播范围内的节点集合。

3.根据权利要求1所述的基于深度自编码器的复杂网络节点影响力最大化方法，其特征在于，步骤5中所述的构建编解码模型，具体包括如下步骤：

(5a)构造编码器：使用ReLu函数f(x)＝max(0,x)作为编码器的激活函数，将影响力近似矩阵M输入到编码器方程中，以单个元素x_i，为例，计算获得节点影响力的深层特征z，方法如下：

z＝f(Wx_i+b)

其中，W和b分别为编码器中的权重和偏置；

(5b)构造解码器：使用ReLu函数f(x)＝max(0,x)作为解码器的激活函数，将5a)中获得的节点影响力深层特征z输入到解码器，通过激活函数获得重构的影响力近似矩阵中的元素x_i′：

x_i′＝f(W′z+b′)

其中，W′和b′分别为解码器中的权重和偏置；

(5c)对编解码模型进行逐层贪心训练，训练完成后，得到编解码模型，其中编码器的最后一层神经元和解码器的第一层神经元视为拓扑图复杂网络的影响力特征。