[发明专利]一种面向时序网络的影响力最大化方法及系统

权利要求书

1.一种面向时序网络的影响力最大化方法，其特征在于，包括以下步骤：

S01：划分时序网络的层数，对时序网络进行建模；

S02：基于网络中节点的特征向量中心性计算节点间的传播概率；

S03：基于时序网络中节点的局部信息、传播概率及时间特性定义新的时序中心性测度，以计算节点的影响力；

S04：构建传播模型，结合启发式算法和贪心算法的优点，以选择影响力最大化的种子节点。

2.根据权利要求1所述的面向时序网络的影响力最大化方法，其特征在于，所述步骤S01中基于时间窗图模型对时序网络进行建模，包括：

S11：建模时序网络G＝(V,E)，其中V＝{v₁,v₂,...,v_N}表示所有节点构成的节点集，用三元组e_t＝(u,v,t)表示网络在时间段[0,m]的边集，其中u和v表示网络中的节点，t表示两节点建立联系的时间，即在时间t，节点u与节点v之间出现连边，所有这样的三元组构成网络的边集E＝{e₁,e₂,...,e_t}；

S12：将时间段[0,m]切分成时间窗大小为ω的T个切片网络G₁,G₂,...,G_T(T＝m/ω)。

3.根据权利要求1所述的面向时序网络的影响力最大化方法，其特征在于，所述步骤S02中传播概率p_uv计算式为：

式中，E_u、E_v分别表示网络中节点u、v的特征向量中心性；

所述特征向量中心性根据节点的中心性计算它们的权重，然后将与当前节点可达的其他节点的权重的线性和作为该节点的特征向量中心性值，即当前节点的影响力取决于邻接节点影响力的线性和。

4.根据权利要求1所述的面向时序网络的影响力最大化方法，其特征在于，所述步骤S03中基于节点的局部信息、传播概率和时间特性定义在一段时间[t_i,t_j]内节点v的时序中心性测度为：

式中，N表示时序网络的节点数目；t_i和t_j分别表示一段时间的开始时刻和结束时刻；表示时间t时节点v及其邻居节点的度和节点的实际传播过程对节点v的影响，其计算式为：

式中，D^t(v)表示时间t时节点v的度，Γ_v表示节点v的一阶邻居集合，λ_v表示传播概率；表示时间t时节点v和其二阶邻居的聚类系数对节点v的影响，其计算式为：

式中，C^t(v)表示时间t时节点v的聚类系数，表示节点v的二阶邻居集合；α和β分别表示和的权重，且α+β＝1。

5.根据权利要求3所述的面向时序网络的影响力最大化方法，其特征在于，所述步骤S04中构建的传播模型为改进的独立级联模型，具体改进为：

1)在每个切片网络中，独立级联模型的传播过程一直进行，直到该切片网络中没有新的节点被激活为止；

2)如果一个节点未能激活其邻居节点，则在随后的切片网络中，它将无法再次激活该邻居节点；

3)利用步骤S02中的公式计算每个切片网络中节点间的传播概率，以充分反映不同节点间传播概率的差异性。

6.根据权利要求3或5所述的面向时序网络的影响力最大化方法，其特征在于，所述步骤S04中结合启发式算法和贪心算法包括时序启发式阶段和时序贪心阶段，所述启发式阶段包括通过步骤S03中的公式计算时序网络中每个节点的时序中心性测度值，然后选择计算值大的K个节点构成候选种子集CS，从候选种子集合选取种子节点；所述贪心阶段包括算法共执行k轮，每一轮都从启发阶段选取的候选种子集中选择边际增益最大的节点加入到种子集合S中，直到|S|＝k结束，其中，k为种子节点个数。