[发明专利]一种基于社区度和结构洞的影响力最大化方法

说明书

本发明公开了一种基于社区度和结构洞的影响力最大化方法，属于社区边界节点筛选技术领域，该方法包括：根据社区聚集系数划分社区，识别并选取社区间的边界连接节点；(1)在社区内部：筛选部分种子节点，以网络效率反映的联通效率和节点自身度中心性以及受关注节点提升的影响力，共同衡量节点的最终影响力，以此来筛选种子节点；(2)在社区边界：从边界点中筛选剩余部分的种子节点，算法在筛选社区边界节点中的种子节点时，在基于社区度的评价标准中加入了改进的结构洞评价指标，提高筛选节点的准确性。本发明的益处是降低了算法的时间复杂度，对于影响力不大但处于重要位置的节点筛选更有针对性。

技术领域

本发明属于社区边界节点筛选技术领域，具体涉及一种基于社区度和结构洞 的影响力最大化方法。

背景技术

随着信息化进程的加快，社交网络中的数据规模将会对节点筛选操作造成极 大的阻碍，将社交网络分区处理必将成为主流，而当前大部分算法在选取社区的 边界节点时参考要素简单，未能根据节点连接社区数量以及自身在社交网络中的 拓扑位置。

早期基于社区结构来解决IM问题，主要考虑的是两个稀疏的网络，因而对 于大规模的密集网络处理效果不够理想。从社区角度出发，挖掘社区影响力并进 行排序，之后再从个体角度出发在社区内部筛选不同数量的种子节点数，筛选数 量通过社区规模在总网络比例计算，这样筛选出的种子节点仅仅考虑了社区内部 的种子节点，未考虑影响力不大但连接多个社区的节点。考虑到边界节点中存在 重要种子节点，用边界节点连接社区数目来判断节点的影响力。通过结合边界节 点度、边界节点连接的社区数和社区规模三个要素，将社区度作为评判节点影响 力大小的标准，但是该评判标准过度强调边界节点的作用，且在后续的筛选种子 节点中使用贪心算法导致耗时巨大。

为了能够在划分后的社区中选取更加精准的种子节点，将划分后的社区网络 类比为资源分配问题，但是该算法却忽略了社区间的连通性，从而导致筛选出的 节点各自独立，在信息传播中无法达到最大影响力范围。如何选取社区的核心节 点和社区间的边界节点，同时考虑节点对于整体网络的作用，避免社区间节点的 孤立，是社区影响力研究的重要课题。

发明内容

发明目的：针对现有技术中的不足，本发明提供了一种基于社区度和结构洞 的影响力最大化方法，用于解决筛选种子节点时遗漏节点影响力不高却有着连通 社区功能的社区边界节点的问题。

技术方案：为实现上述发明目的，本发明的技术方案如下：一种基于社区度 和结构洞的影响力最大化方法，包括如下步骤：

(1)社区划分：将初始社交网络定义为G(V,E)，定义社区个数为S作为初 始的种子节点集；根据社区聚集系数划分社区，识别并选取社区间的边界连接节 点；

(2)社区内种子节点筛选：在社区内部：通过算法筛选部分种子节点，以 网络效率反映的联通效率和节点自身度中心性以及受关注节点提升的影响力，共 同衡量节点的最终影响力，以此来筛选种子节点；

(3)社区边界种子节点筛选：从边界点中筛选剩余部分的种子节点，算法 在筛选社区边界节点中的种子节点时，在基于社区度的评价标准中加入了改进的 结构洞评价指标，用以提高筛选节点的准确性，并将两次筛选的种子节点合并加 入到最终的种子节点集合；

(4)选取种子节点；若在网络中选取k个节点，在社区中选取的种子节点 数为(k×α)，选取k′个影响力最高的社区边界种子节点，则k′＝k-k×α，社区 中选取的种子节点和社区边界选取的种子节点共同构成种子节点集。

进一步地，所述的步骤(1)，包括如下步骤：

步骤1.1：社区的划分以社区的聚集系数作为参考标准，社区的聚集系数取 决于该社区内所有节点的聚集系数的和除以社区节点数的比值；社区的聚集系数：

g(i)为节点的聚集系数，公式为：