[发明专利]一种面向大规模时序图影响力最大化问题的解决方法

说明书

本发明涉及一种面向大规模时序图影响力最大化问题的解决方法，其采用时序图G_T(V,E,T_E)来表示将社交网络各个节点的数据抽象为时序图，对节点间的传播概率进行初始化，使其适用于时序图的ICT传播模型，在ICT传播模型的基础上对各个节点进行影响力的计算，依据在步骤3中计算的各个节点的影响力集合解决时序图影响力最大化问题，即寻找大小为k的种子节点集合。采用本方法解决时序图影响力最大化问题，可以快速且高效的解决时序图影响力最大化问题。

技术领域

本发明涉及一种面向大规模时序图影响力最大化问题的解决方法， 属于数据库处理技术领域。

背景技术

如今，在线社交网络比如微博、微信及博客等在人们的生活中扮演 重要的角色。人们通过社交网络表达他们的想法、分享新闻和信息。人 们在社交网络中通过传播他们的想法和信息来影响网络中的其他用户， 通过这种“口碑(word-of-mouth)效应”设计出一种新的营销技术，被称为 “病毒营销”(viral marketing)。这种营销方式通过公众将信息廉价复制， 告诉给其他受众，从而迅速扩大自己的影响，和传统的营销方式相比， 受众自愿接受的特点使得成本更少、收益更多。

另一方面，互联网的发展也使得网络谣言、网络低俗文化流行起到 推波助澜的作用。而对于影响力最大化问题的研究不仅可以使得一个好 的信息尽快的通过网络传播出去，同时，也可以借助于影响力最大化问 题的研究来抑制谣言在网络上的传播。

一般的影响力最大化的研究都是基于静态图的，即将社交网络抽象 为静态图，基于静态图的影响力最大化问题是指通过在网络中寻找k个 节点作为种子节点，使得信息在特定的传播模型(如IC传播模型)下通过 k个用户在网络中尽可能多的影响到其他用户，即将影响力最大化问题 作为一个离散最优化问题研究。

但是现实生活中的很多网络图，并不可以被简单的抽象为静态图， 比如人与人之间的电话网络、相互邮件传送、交通网络以及脑神经网络 等，在这些网络中，节点之间并不会至始至终都会存在联系，而是只在 某个时间段存在联系，即节点之间的联系是具有时序性的。由于节点间 联系的时序性，也导致了基于静态图的IC模型，无法适用于时序图，因此解决时序图影响力最大化问题的第一步，首先需要对IC模型进行改进， 使得其可以适用于时序图，然后才可以进一步研究，并解决时序图影响 力最大化问题。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种面向大规模时序图 的影响力最大化问题的解决方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种面向大规模时序图的影响力最大化问题的解决方法，包括如下 步骤：

S1、将社交网络各个节点的数据抽象为时序图，所述时序图表示为 G_T(V,E,T_E)，其中，所述V表示社交网络中的节点集合，所述E表示的 是网络中时序边的集合，所述T_E表示的各个节点联系时刻的集合；

S2、对节点间的传播概率进行初始化，之后，对传统的独立级联传 播模型进行重新设计出基于所述时序图的ICT传播模型；

S3、在所述ICT传播模型的基础上，对各个节点进行影响力的 计算，

S4、依据在步骤S3中计算的各个节点的影响力集合，解决时序图影 响力最大化问题，即寻找大小为k的种子节点集合。

如上所述的方法，优选地，所述步骤S2具体包括如下：

S201、对各个节点间的传播概率p_u,v进行初始化，对节点间的传播 概率进行随机赋值；