[发明专利]一种社交网络无向有权图中用户核值计算方法

说明书

本发明公开了一种社交网络无向有权图中用户核值计算方法，属于社交网络领域。包括：S1.计算社交网络无向有权图中每个用户节点所有邻居节点权重之和，初始化k为0；S2.判断该图中的用户节点是否都被删除，若是，结束，否则，进入S3；S3.找出图中所有邻居节点权重之和最低的用户节点u；S4.若u的所有邻居节点权重之和cd大于k，则u的核值为cd，并且k的值更新为u的核值，否则，u的核值为k；S5.从该图中删除u、与u相连的所有边，重新计算每个用户节点的所有邻居节点权重之和，进入步骤S2。本发明使用所有邻居节点权重之和度量用户节点的社交网络影响力，迭代减去所有邻居节点权重之和最小的节点直至核值计算完成，使得适用于社交网络无向有权图。

技术领域

本发明属于社交网络领域，更具体地，涉及一种社交网络无向有权图中用户核值计算方法。

背景技术

社交网络节点影响力研究是社会网络分析的关键问题之一。社会网络的拓扑结构、用户交互行为、用户内容构成了社会网络的3个要素。拓扑结构能够从宏观层面上刻画节点的影响力，也容易获取，复杂网络中的拓扑结构指标相对成熟，因此，用拓扑结构来度量节点的影响力成为一种常见的做法。基于拓扑结构的度量可分为：基于局部属性、基于全局属性、基于随机游走、基于社团关系这4种。其中，基于节点全局属性的节点影响力度量指标主要考察节点所在网络的全局网络信息，这些指标能够较好地反映节点的拓扑特性，但时间复杂度较高，多数指标不适用于大规模网络。Kitsak等人通过对社交网络、邮件网络等实证研究后发现，高介数或者Hubs节点不一定是最有影响力的节点，并利用K-核分解将节点在位置上从边缘层到核心层分为不同的层次，认为核心节点(Ks值大的节点)才是影响力大的节点。如图1所示，通过迭代地减去度小于等于K的节点，节点被分为3层，其中，Ks为3的节点属于核心节点，即影响力大的节点。Ks值为1的节点属于边缘层，影响力较小。

K-核分解的提出，给广大研究者带来了很大的启发。近几年，不少学者针对K-核分解的一些缺陷进行了改进，进一步提高了它的准确性和适用范围。但是现有方法大多只关注于无权图，提出的核值计算方法不适用于有权图。无权图中仅考虑边的数量，有权图还需要考虑点所具有的权重。然而有权图在现实世界里是很常见的，比如说，在社交网络有权图中，不同的个体在社交网络中具有的权重，反映了不同程度的影响力。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种社交网络无向有权图中用户核值计算方法，其目的在于适用于有权图的核值计算方法。

为实现上述目的，按照本发明的第一方面，提供了一种社交网络无向有权图中用户核值计算方法，该方法包括以下步骤：

S1.计算社交网络无向有权图中每个用户节点所有邻居节点权重之和，并初始化k值为0；

S2.判断社交网络无向有权图中的用户节点是否都被删除，若是，核值计算完成，否则，进入步骤S3；

S3.找出社交网络无向有权图中所有邻居节点权重之和最低的用户节点u；

S4.若用户节点u的所有邻居节点权重之和cd大于k，则用户节点u的核值为cd，并且k的值更新为用户节点u的核值，否则，用户节点u的核值为k；

S5.从社交网络无向有权图中删除用户节点u、与用户节点u相连的所有边，重新计算每个用户节点的所有邻居节点权重之和，进入步骤S2。

优选地，所述社交网络无向有权图的获取方式如下：

社交网络中用户抽象为节点，用户之间的关系抽象为边，用户在社交网络中的影响力抽象为权重，得到社交网络无向有权图G＝{V，E，W}，其中，V为节点集合，E为边集合，W为权重集合。

优选地，社交网络为微博社交网络时，权重为用户的粉丝数量。

优选地，计算出的用户核值越大，用户在社交网络中越重要。