[发明专利]一种在线社交网络环境下信息传播范围最大化方法

说明书

本发明公开了一种在线社交网络环境下信息传播范围最大化方法，包括以下步骤：1)构建在线社交网络；2)提取在线社交网络中节点的特征；3)利用在线社交网络中节点的特征构建深度增强学习模型；4)对深度增强学习模型进行训练；5)利用训练后的深度增强学习模型进行在线社交网络中信息传播范围的最大化，该方法能够实现在线社交网络环境下信息传播范围的最大化。

技术领域

本发明属于计算机技术领域，涉及一种在线社交网络环境下信息传播范围最大化方法。

背景技术

互联网带来了信息产生方式和传播模式的深刻变革，社会网络目前已成为了人们互相沟通、知识共享和信息传播的重要媒介和平台。在营销领域中，某公司为了推广他们的新产品,希望能够借助目前有限的资源，然后通过选取一小部分影响力比较大的用户来免费体验他们的新产品,并利用口碑效应和病毒式营销结合的推广方式使产品最终的影响力达到最大化，如何更好的实现已成为公司的核心问题。为了创建一个成功的病毒式营销活动，需要将这些内容与一组具有高度社交网络影响力的个人分享，这些用户通过自己的社会影响力，通过网络向自己的同事朋友推荐该商品，使得更多的人了解并最终购买该商品，进而推动了整个商品在社会网络中的推广和宣传。因此公司只需要花费较少的费用就可以达到了更好的新产品的推广工作。

现有专利CN111445291A公开了一种为社交网络影响力最大化问题提供动态决策的方法，其中包括智能体动作、动作的奖赏值、智能体与环境进行交互的过程以及更新Q函数的策略等部分。每次迭代智能体都会从网络中选取一个未被激活的能使影响范围最大的节点并计算奖赏值，然后基于奖赏值更新Q函数以提升策略。该动态决策方法的不足之处在于，由于社交网络状态s和节点选取动作a都是极大的值，造成Q函数矩阵(大小为s*a)过大。当社交网络规模较大时，该策略耗费存储资源的同时还会造成很难在训练过程中确定矩阵中的全部值。

现有专利CN111275565A公开了一种基于局部和全局影响的社交网络影响力最大化方法，步骤包括根据顶点的局部影响力选取源顶点、寻找源顶点的祖先顶点并根据顶点对源顶点的预期影响筛选候选节点、根据候选节点对源定点的影响力选取种子节点。该方法的不足之处在于源顶点的选取只考虑了顶点二跳范围内邻居顶点的激活概率，范围过小影响其准确性。

现有专利CN110990716A公开了一种基于影响力最大化的抑制虚假消息传播方法。其中在选取影响力最大的节点集合步骤中采用了采用Louvain聚类局部度中心性算法LCLD，通过多次迭代为节点生成多层社团结构，然后计算聚类局部度中心CLD的值，对划分得到的网络中所有节点进行打分，根据打分选取影响力大的节点。该方法的缺点在于每层社团结构中社团的平均大小差距很大，造成CLD值的计算并不准确，结果受社团大小的影响远大于节点的拓扑结构。

此外，目前解决影响力最大化问题的TIM/TIM+技术、IMM算法等，都试图用更小数量的RIS样本生成(1–1/e-∈)-近似解。他们使用高度复杂的估计方法来使得RIS样本的数量更接近某些理论阈值。然而，它们都有两个缺点：1)生成的样本数量可以任意大于θ，2)阈值θ未显示为其种类中的最小值。所以通过减少RIS样本使影响力最大化达到更好的效果的这类问题已经处于瓶颈。

综上所述，如何在满足精度要求的前提下，实现大规模在线社会网络信息传播范围最大化问题的高效处理是社会网络需要解决而又充满挑战的研究问题。网络的规模巨大，连接结构复杂，导致在当前大规模社会网络下高效发现最有影响力用户十分困难，这意味着问题的解决方案需要非常有效和可扩展。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种在线社交网络环境下信息传播范围最大化方法，该方法能够实现在线社交网络环境下信息传播范围的最大化。

为达到上述目的，本发明所述的在线社交网络环境下信息传播范围最大化方法包括以下步骤：

1)构建在线社交网络；

2)提取在线社交网络中节点的特征；