[发明专利]一种面向时序网络的影响力最大化方法及系统

说明书

本发明公开了一种面向时序网络的影响力最大化方法，包括：划分时序网络的层数，对时序网络进行建模；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；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；构建传播模型，结合启发式算法和贪心算法，以选择影响力最大化的种子节点。本发明考虑了节点间建立联系的时序性，且以特征向量中心性为基础计算节点间传播概率，可以反映不同切片网络中节点间传播概率的差异性，同时在节点度的基础上，考虑节点的实际传播过程并基于贪心策略来选择种子节点集，具有较高的准确性和高效性。

技术领域

本发明涉及时序网络的影响力最大化方法，尤其是涉及结合启发式和贪心策略的时序网络影响力最大化种子节点选择方法及系统。

背景技术

在线社交网络在人们生活中扮演着重要的角色。人们可以通过社交网络表达想法、分享信息并相互影响。影响力最大化种子节点选择在广告投放、舆情监督及推荐系统等方面有着重要的应用。例如，一些企业品牌选择社交网络(微博、微信、FaceBook及Twitter等)中的明星用户代言产品，通过他们影响更多的普通用户购买产品并分享给他们的朋友，最终该品牌就会新增许多潜在客户，同时促进品牌影响力的最大提升。

经检索国内外文献发现，目前关于影响力最大化种子节点选择方法多数都基于静态网络展开研究，但是现实生活中的许多网络并不能被简单建模为静态网络，因为网络中的节点可能只在某个时间段内存在联系，即节点之间的连边会随时间间断性的消失或出现。所以本发明涉及的是时序网络中的影响力最大化种子节点选择方法。

最经典的影响力最大化算法是基于贪心算法的。但是贪心算法需要花费大量时间以致于不能被广泛应用至大规模社交网络中。为了减少算法的运行时间，一些学者提出了启发式算法，但其精度不高。考虑到社交网络是动态变化的，越来越多的研究者开始以时序网络为研究对象，并设计时序网络上的影响力最大化算法。

公告号为CN 108510115 A的发明专利公开了一种面向动态社交网络的影响力最大化分析方法，包括：(1)获取激活概率，通过使用影响力延迟分布函数幂率分布将时间因素加入到激活概率中；(2)建立影响力传播模型LAIC；(3)执行贪心算法，利用贪心算法计算每个节点的初始边际收益；(4)使用CELF算法对原始贪心算法进行优化，通过影响力函数的子模特性和影响力优先队列提高了搜索种子节点的效率。该方法的影响力传播模型为LAIC，在LAIC模型中考虑幂率分布，以使其适应真实的社交网络。但是LAIC模型没有考虑节点间建立联系的时序性和不同切片网络中节点间传播概率的差异性。

发明内容

1、本发明的目的

针对现有技术存在的问题，本发明提供一种面向时序网络的影响力最大化方法及系统，本发明考虑了节点间建立联系的时序性，且以特征向量中心性为基础计算节点间传播概率，可以反映不同切片网络中节点间传播概率的差异性，同时在节点度的基础上，考虑节点的实际传播过程并基于贪心策略来选择种子节点集，具有较高的准确性和高效性。

2、本发明所采用的技术方案

一种面向时序网络的影响力最大化方法，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，以选择影响力最大化的种子节点。

优选的技术方案中，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：