[发明专利]基于社交网络中群体的影响力最大化方法及系统

说明书

本发明提供了一种基于社交网络中群体的影响力最大化方法及系统，包括：步骤1：在社交网络中，通过随机游走法，将节点映射到表征空间并且保留节点的影响力传播属性；步骤2：定义和计算节点之间的传播亲进度，依次合并相邻且传播亲近度最高的节点对，直到满足设定的压缩比例得到粗化网络，其中每个节点对应原始网络中的一个群体；步骤3：根据节点的影响力在群体内传播和在跨群体间传播的属性，构建候选种子集的影响力传播函数，根据贪心算法选取出包含预设个数的节点的最大影响力用户集。本发明在相近的影响力传播效果下具有更高的时间效率，在相近的时间效率下具有更好的影响力传播效果。

技术领域

本发明涉及社交网络影响力最大化技术领域，具体地，涉及一种基于社交网络中群体的影响力最大化方法及系统。尤其地，涉及一种在大规模社交网络中通过节点表征和聚类实现群体划分并基于群体的影响力最大化方法。

背景技术

在线社交网络(Online Social Networks，OSNs)已成为广大用户群体间信息和影响力快速传播的重要平台，影响力最大化问题旨在挖掘一组种子用户，经过一系列传播之后，使得最终被影响的用户数最多，该研究在精准营销、意见领袖发现，舆情管控等方面有着重要的商业价值。

经检索国内外现有文献发现，针对传统贪心算法复杂度极高而启发式方法缺乏精度保证等不足，当前的研究者们提出了大量改进算法以实现算法精度和效率之间的平衡。其中，基于社区结构和网络粗化的启发式算法，考虑了社交网络内在的社区结构性质，将研究对象从整体网络转换为各个社区，即在特定情况下，节点影响力受社区范围限制只在社区内部传播，不同社区内的影响力传播相互独立。该类方法实现了对传播影响力的简化计算，其精度优于一般的启发式方法且算法复杂度较低，能够适用于大规模网络应用。例如，Purohit等人在《ACM SIGKDD International Conference on Knowledge Discovery andData Mining》上发表文章“Fast influence-based coarsening for large networks”，提出了用网络粗化思想对复杂的大规模网络进行简单表示同时保留原始网络的影响力传播属性，并设计了一种基于网络粗化的影响力最大化算法CSPIN。

上述CSPIN算法合理地压缩了网络规模并保持了网络的影响力传播属性，大幅降低了选点的复杂度，但算法的精度依赖于种子群体的选取算法，通常缺乏精度保证，并且种子节点的选取方式仅是简单地从每个种子群体中任意选择一个节点，缺少对节点影响力的近似估计方法。CoFIM算法能够快速估算节点的传播影响力，具有较低时间复杂度的同时又具有一定的精度保证，但基于连接疏密的社区发现没有考虑网络和节点在影响力传播方面的属性和性质，因此将节点在社区内的影响力近似看作一个常数值的做法缺乏理论支持，并且该方法用相同的常数值近似节点在将各个社区内的影响力，忽略了社区规模这一重要因素。

专利文献CN111428127A(申请号：CN202010069262.9)公开了一种融合主题匹配与双向偏好的个性化事件推荐方法及系统。首先，利用文档主题生成模型LDA提取事件和用户参与的历史事件的主题信息，计算用户与事件的主题匹配度；其次，对于基于事件的社交网络推荐从用户和事件的双向角度考虑，构建用户和事件的偏好模型，分别得到用户偏好评分和事件偏好评分，从用户和事件两个角度更完整地挖掘偏好关系；最后，将用户-事件对匹配度融合用户事件双向偏好线性加权组合得到最终的用户-事件对综合评分，将排序后的TOP-K个用户-事件对作为推荐结果。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于社交网络中群体的影响力最大化方法及系统。

根据本发明提供的基于社交网络中群体的影响力最大化方法，包括：

步骤1：在社交网络中，通过随机游走法，将节点映射到表征空间并且保留节点的影响力传播属性；