[发明专利]基于节点传播能力的偏向性随机行走的网络信息传播方法、装置及存储介质

说明书

本发明公开了网络通信技术领域内的一种基于节点传播能力的偏向性随机行走的网络信息传播方法、装置及存储介质，所述方法包括如下步骤：从网络中随机选取一节点作为传播源节点；采用偏向性随机行走机制，根据各节点传播能力和偏向性随机行走的转移概率确定被传播节点数；以被传播节点数最大化为目标构建传播函数；以传播函数的计算结果为依据，通过传播源节点向网络中其余各节点进行网络信息传播；其中：节点传播能力是指节点每次能够承受的传播信息内容量。本发明更加符合真实的社交网络，能够达到信息传播范围的最大化，应用于不同规模的社交网络中有助于提升信息的覆盖率和算法运行时间性能。

技术领域

本发明涉及一种基于节点传播能力的偏向性随机行走的网络信息传播方法、装置及存储介质，属于网络通信技术领域。

背景技术

随着社交网络的发展，对于信息传播模型的研究一直很活跃，社会网络是由许多节点构成的一种社会结构，节点通常是指个人或组织，商业领域中的“口碑营销”是社会网络中重要的应用场景，该种形式同样适用于信息和影响力的传播过程，因此，社会网络在信息的传播中起到至关重要的媒介作用。其中通过在社会网络中找到一个具有一定影响力的个体组成的小群体继而能够影响社会网络中数量最多的人是以“口碑”形式的信息传播的根本目的。

Gomez等提出了依据激活的节点和其每个邻居节点之间的相关性，从而推断出传播级联的结构。假设活跃的节点以一定的概率影响其每个邻居节点，并且节点之间是相互独立的影响，他们称其为NETINF方法。该方法构建一个概率模型，该模型需要解决在一个固定的假想网络中，级联是如何作为有向树来传播的(扩散级联即在一颗有向树中，激活序列的第一个节点称其为有向树的根节点，由于一个网络中的节点不会被重复感染，所以消息传播的路径中不存在回路，此时的消息传播就可以被视为一种有向树的传播形式)。

后来Gomez等人又扩展了NETINF算法，称为NETRAT算法，通过观察传染性来推断底层传播的过程，传播的过程发生在未知的网络图中，节点是否感染只有2种状态(1或0)，即一个节点受到感染或未受到感染，不存在部分感染或信息的部分传播概念，感染发生在不同的时间并且沿着网络的边彼此独立地发生，最终推断网络的连通性，以及观察节点被感染后，推断通过边传播的可能性。

为了能够观察到网络的动态变化，如网络的边和边的动态变化，Gomez等人又扩展了NETRAT算法，提出了一个随时间变化的推论算法—INFOPATH，这种算法使用随机梯度来提供网络结构的在线估计和随时间变化的状态，它记录了节点感染时间和传播的事件，允许信息通过数据驱动的方法以不同的速率在网络中不同的边缘传播。

Saito等人提出了AsIC模型，解决IC模型和LT模型存在的一个问题，它们把信息传播看作是节点的一系列状态变化，而实际的传播是沿着连续时间轴以异步方式进行，并且观察到的数据的时间标记并非等距。

Guille等人为在一个封闭环境中，用户通过社交网络交互，如何模拟这种环境并且预测传播特性，提出了T-BaSIC模型，它主要考虑传播扩散过程的时间动态，能够从一种更实际的角度出发通过机器学习的算法建立模型，预测社交网络的信息传播过程。它假设社交网络中的信息传播依赖于用户之间的连接图，并且是根据局部特性由节点之间的微相互作用解释的。之后根据图中个人的行为进行统计分析，而非全局行为。

Leskovec等为找到最简单、直观的模型，并且参数尽可能少的模型，提出了一个简单而直观的SIS模型(其中S代表“敏感(或易感染)”，I代表“感染”(接受了某信息)，在SIS情况下，在I状态的节点会以固定概率变回状态S)，仅需要一个参数。它假定所有节点都以相同的概率β被感染(激活)，被感染的节点在下一时间段重新成为敏感节点。