[发明专利]一种基于网络嵌入的在线社交网络中有影响力用户的辨识方法

说明书

一种基于网络嵌入的在线社交网络中有影响力用户的辨识方法，构建社交网络模型，对网络做K‑shell分解，获取所有节点K‑shell数值，通过DeepWalk网络嵌入方法将网络映射到欧式空间中的低维向量，获取所有节点和其邻域内节点的相应向量之间的距离，在此基础上提出计算节点影响力的指标，计算所有节点的影响力指标数值，由高到低排列，即为节点在网络中影响力大小的排序。本发明基于信息传递的强度随着节点间欧式距离的增大而迅速衰减的特点，计算每个节点对自身的局部邻域内其它节点的影响力总和作为评价该节点在网络中影响力大小的指标，准确性高，计算复杂度小。

技术领域

本发明涉及网络科学领域，特别是指一种基于网络嵌入的在线社交网络中有影响力用户的辨识方法。

背景技术

在大型社交网络领域，有影响力用户的辨识一直是探索热点之一，社交网络一般都是数以亿计用户的大型网络，通过分析用户的影响力大小来衡量用户的重要性，也就是说，影响力越大的用户，越重要，找出这些关键用户是决定整个网络的结构和功能的关键所在。

用户影响力在网络中也叫节点影响力大小，它是指通过不同的度量指标来测量节点在一个复杂网络中的影响力，影响力越大，它在网络中的地位就越重要，这些高影响力的节点根据自身高影响力的特点和所包含的信息，连接和吸引其他节点，其它节点再以一定的概率接收信息，以此来改变整个网络的状态，如何高效识别用户影响力大小，推动信息在网络中的有效传播是研究的关键所在，问题的核心就是找到一种平衡点，在准确度和复杂度中间用最优的方法挖掘出一定数目的种子用户，而这些用户能够，在相同的时间内，较其他用户能进行最大范围的信息传播，它不仅被用在商品营销上，在病毒传播、疫情检测等问题上也有很大的作用。社交网络节点用户规模庞大，复杂度高、准确率低，这就对评估算法有很高要求，理想的情况下，需要算法实现复杂度低且准确率高。

发明内容

为了改进传统节点影响力评估算法普遍存在的复杂度高、准确度低的问题，本发明提出一种综合考虑效率和准确率的一种基于网络嵌入的在线社交网络中有影响力用户的辨识方法。

本发明解决其技术问题所采用的技术具体步骤是：

一种基于网络嵌入的在线社交网络中有影响力用户的辨识方法，包括如下步骤：

步骤一：根据在线社交网络的用户数据构建社交网络模型G(V,E)，V为节点，E为连边，其中一个节点表示一个用户，该社交网络共有N个用户，对应网络模型具有N个节点；如果两个用户是好友，则相应两个节点之间有连边；

步骤二：对社交网络模型G做k-壳分解，获取所有节点K-shell数值Ks_i，其中i∈{1,2,...,N}；

步骤三：通过DeepWalk网络嵌入方法将社交网络模型G转化为欧氏空间的N个r维向量，一个网络节点对应一个向量，其中任意节点i的向量表示为

χ_i＝(x_i,1,x_i,2,x_i,3...x_i,r)，i＝1,2,3....N，r为可调参数；

步骤四：在社交网络模型G中任意选取节点i，获取节点i的邻域Γ(i)，Γ(i)包含了与节点i最短路径距离不大于3的邻域内的所有节点；遍历社交网络模型G，获取所有节点的邻域信息；

步骤五：对任意节点i，计算节点i及其邻域Γ(i)内节点j的欧式距离

d_ij＝|χ_i-χ_j|，j∈Γ(i)，

其中χ_i、χ_j分别表示节点i、j用DeepWalk网络嵌入方法映射到欧式空间的向量；遍历社交网络模型G，获取所有节点和其邻域内节点之间的距离；