[发明专利]一种适用于面向文件共享的移动社交网络的信息传播预测方法

说明书

本发明提出了一种适用于面向文件共享的移动社交网络的信息传播预测方法，给出了如何有效确定种子节点的方法，使得种子节点的选取更加合理、有效；同时给出了一种简化网络结构的方法，在不影响整体传播的基础之上，剔除那些对信息传播没有影响的节点，提高传播的效率。并通过该模型构建节点影响力计算和经典节点权威值计算的桥梁，进而研究了大规模社交网络上的信息传播最大化策略，为大规模社交网络中的信息传播预测和计算提供了一种高效解决方法。

技术领域

本发明涉及一种移动社交网络的信息传播预测方法，属于互联网应用领域。

背景技术

在社交网络中越是影响力大的人对信息的传播越是有大的贡献，所以对于信息的传播而言如何去确定最有影响力的人尤为重要，从社交网络选取一组较小的最有影响力的节点进行传播使得最终在网络中影响最大。这个问题也被称为影响力最大化问题(influence maximization),它在诸多领域如推荐系统的开发、病毒式市场营销、寻找有影响力的twitter用户等方面有着明显的应用。Kempe等人首次给出了作为离散优化问题的影响最大化系统性的研究。他们从社交网络分析，交互式粒子系统和市场营销的早期工作中提取出了两个非常经典的基础模型：线性阈值模型(Linear Threshold,LT)和独立级联模型(Independent Cascade,IC)。此后许多研究者基于这两中模型进行了不断的改进，各种不同的算法也被提了出来。

目前有关信息传播的经典模型主要包括传染病模型、线性阈值模型、独立级联模型、分类或回归模型及基于他们的各种改进模型等，但目前已有方法都是基于IC模型设计的，并不能很好的适用LT模型。且对种子节点的选取主要是从如何去选的角度出发，对于选取好的的种子节点其实并未进行处理。但是，通过某种算法选取的种子节点可能会存在这种可能：种子节点有聚集的现象，即种子节点之间不是较均匀分布在网络中，它们中一部分存在相连的边使得它们聚集在一起。

附图说明

图1为G₁拓扑结构。

图2为G_a的拓扑结构。

图3为第一轮传播结束后各节点的状态。

图4为第二轮传播结束后各节点的状态。

发明内容

为了解决现有技术存在的这些问题，本发明提出了一种适用于面向文件共享的移动社交网络的信息传播预测方法，包括以下步骤：

(1)信息收集：从社交网络中收集数据，分布式存储到由若干台服务器；

(2)信息预处理：从本地读取数据，从每条数据中抽取发消息用户和收消息用户；根据从所有数据中抽取出来的发消息用户和收消息用户，构建社交网络图G_a；其中，所有不重复的发消息用户和收消息用户在图中以顶点存在，每对发消息用户和收消息用户在图中以边的形式存在；

(3)种子节点选择：

步骤1：读取社交网络图G_a存储在服务器的节点信息和边信息，结合图信息，根据factor_degree(i)＝degree_out(i)/(degree_out(i)+degree_in(i))，为每个节点计算度因子，其中factor_degree为度因子，v_i为节点；

步骤2：计算每个节点的Pagerank值，该值可通过PageRank算法获得；