[发明专利]基于生成对抗模型的影响力节点识别方法

说明书

本发明公开了一种基于生成对抗模型的影响力节点识别方法，包括以下步骤：S1、利用生成器对路由传播网络进行分析，找出影响信息传播速度的节点，生成高影响力节点候补；S2、利用判别器模拟信息的传播过程，根据产生的高影响力节点计算传播参数，评估生成器的性能。本发明将高影响力节点的识别过程抽象为一个生成器与判别器的对抗过程。生成器的任务是对路由传播网络进行分析，找出影响信息传播速度的节点；判别器的任务是模拟信息的传播过程，计算传播参数，以评估生成器的性能并将判别器模拟传播过程中没有传播到的节点反馈给生成器进行再生成。通过上述过程的不断迭代，达到动态地全局地识别网络中的高影响力节点的目的。

技术领域

本发明涉及一种基于生成对抗模型的影响力节点识别方法。

背景技术

在网络科学研究领域，对信息传播的研究，有着悠久的传统，这些研究包括社会网络分析、互联网拓扑分析和复杂生物网络分析。识别有影响力的节点，使信息尽可能快地传播是网络科学中最重要的问题之一。

社会学家把影响力定义为个体在与他人或群体的互动中，导致自身的思想、感觉、态度或行为发生变化的现象。而复杂网络的出现为定义和研究节点影响力提供了定量基础，定量度量节点影响力需要构建一个可测量的指标。节点与节点之间通过各种关系连接形成网络拓扑结构，直观分析网络中的节点重要性排序指标可以用来度量节点影响力。

在本发明中，网络影响力用信息传播的速度和广度来衡量，也就是说，一个节点的信息传播得速度越快，传播的范围越广，它的影响力也就越大。网络中的高影响力的节点就是指在网络中传播信息较快较广的节点，也就是信息传播中的关键节点。因为高影响力节点在信息传播中的重要地位，所以对网络中的高影响力节点的识别在谣言传播、影响扩散、包转发、流行比例等研究中具有中重要的地位

传统的对高影响力节点的分析大多是基于度优先算法或介数中心性算法的，这样得到的结果两个缺点。一是具有局部性，这些节点可能对局部网络的影响较大，但对网络全局的影响很小，对这些节点的保护难以在全局上保护网络；二是传统方法只能得到在网络中的地位较高(例如连接较多其它节点，或承担了较大的网络流量)的节点，不能发现低地位节点中的高影响力节点，而只对高地位的节点进行保护忽略低地位节点的策略不能有效保护网络。

针对上述问题，本发明引入了近年来兴起的人工智能领域的生成对抗网络(generative adversarial network，GAN)思想，建立了一种生成对抗模型，通过生成器和判别器之间的持续对抗来优化生成器的结果。利用这种思想，可以动态的查找网络中的高影响力节点，解决传统方法中存在的问题。

节点信息维度方法：在2018年由T.Bian和Y.Deng提出。该方法通过综合不同拓扑距离尺度下的局部维数，提出了节点信息维数。该方法具有局部性，得到的节点信息维度最高的节点在全局网络中不一定是影响力最高的节点。

基于邻域分类的传播者识别方法：在2018年由C.Li,L.Wang,S.Sun和C.Xia等人提出。该方法通过对每一类相邻节点分配不同的权值，并对相邻节点的贡献进行求和，准确地表征了节点的传播能力。该方法是静态的，得到的结果无法识别在动态网络中低地位的高影响力节点。

发明内容

本发明的目的在于克服现有技术的不足，提供一种将高影响力节点的识别过程抽象为一个生成器与判别器的对抗过程，有生成器不断输出结果，由判别器对生成器的输出进行不断判别并修正输入，达到动态地全局地识别网络中的高影响力节点的的基于生成对抗模型的影响力节点识别方法。

本发明的目的是通过以下技术方案来实现的：基于生成对抗模型的影响力节点识别方法，包括以下步骤：

S1、利用生成器对路由传播网络进行分析，找出影响信息传播速度的节点，生成高影响力节点候补；

S2、利用判别器模拟信息的传播过程，根据产生的高影响力节点计算传播参数，评估生成器的性能。