CN103150360B

CN103150360B - 一种基于控制集改进算法的社交网络分层方法

Info

Publication number: CN103150360B
Application number: CN201310061114.2A
Authority: CN
Inventors: 彭茂; 张媛
Original assignee: Nanjing University of Information Science and Technology
Current assignee: Suqian Xingbao Technology Co., Ltd.
Priority date: 2013-02-27
Filing date: 2013-02-27
Publication date: 2016-02-03
Anticipated expiration: 2033-02-27
Also published as: CN103150360A

Abstract

本发明公开了一种基于控制集改进算法的社交网络分层方法，属于在线社交网络技术领域。该方法包括如下三个步骤：（1）将社交网络的分层问题转化为搜索图的最小控制集问题；（2）用基于引导变异的进化算法来搜索最小控制集；（3）将图的控制集转化为社交网络的领袖团体以实现分层。本发明将图的控制集引入社交网络分析，用控制集来指代社交网络中的领袖团体，然后通过改进的进化算法来对之进行求解，整个过程不仅结构简洁，而且运行效率较高。

Description

一种基于控制集改进算法的社交网络分层方法

技术领域

本发明涉及一种基于控制集改进算法的社交网络分层方法，属于在线社交网络技术领域。

背景技术

随着信息技术的高速发展，大型数据库与数据采集工具被广泛应用于企业及政府的管理实践中，这为人们带来了大量原始数据，同时也对相关的数据处理技术提出了更高的要求。为了更有效地处理大型数据集，并从中发现有用的信息，多种数据挖掘技术应运而生，如分类技术、预测技术、聚类分析等等。

另一方面，在线社交网络已经成为互联网上发展最快的应用，如何从海量的社交数据中提取出有用的信息已成为重要的研究课题。例如，通过数据挖掘的方法，我们可以分析出用户之间的相关性、购买兴趣分布等实用信息，然后在不同的地区制定不同的营销策略。

关于社交网络的数据挖掘其研究内容非常广泛，对网络进行层次划分也是其中之一。不难发现，在大量的社交网络中都存在着不同的社交层次。比如，一些人比另一些人的人缘更好，一些人的举动更能引起其他人的模仿等等，找到这样的社交领袖团体不仅对于决策的制定者非常重要，对于执行者都有非比寻常的意义。而现在已有的关于社交网络的结构分析方法，如社团发现、引文分析等方法等不能满足确定社交影响者的目标，因此我们采用经典的图控制集来解决这一问题。

而图中的最小控制集是经典的NP-困难问题，它的确定性算法通常带来复杂的数据结构和漫长的运行时间，实际运行效果并不理想。

发明内容

本发明提出了一种基于控制集改进算法的社交网络分层方法，采用启发式方法中的进化算法来求解最小控制集问题，进而对相关的社交网络进行分层分析，不仅结构简单，而且计算效率较高。

本发明为解决其技术问题采用如下技术方案：

一种基于控制集改进算法的社交网络分层方法，包括如下三个步骤：（1）将社交网络中的成员视作图的顶点，若两个成员之间有联系，则在对应的两点之间联边，如此则得到一个图，然后将社交网络的分层问题转化为搜索图的最小控制集问题；（2）用基于引导变异的的进化算法来搜索最小控制集；（3）将图的控制集转化为社交网络的领袖团体以实现分层。

所述步骤（2）中用基于引导变异的的进化算法来搜索最小控制集，包括如下步骤：

1）进行编码转换，将最小控制集问题转换到进化算法所能处理的搜索空间中；

2）生成种群：

a）在个顶点的图中，随机选取个点，设为点集，在的基础上随机添加点集之外的点得到控制集，从中依次删点，使其成为极小控制集，记为，即得到种群中的一个新个体；

b）重复步骤a）所述的修复过程次，即得到有个个体的进化算法种群，N是正整数；

3)遗传变异:

A)令时间，记个初始解分别为,,…,，其中为维向量；

B)从个解中留取其中顶点个数较少的个解，不妨设为,,…,，其中的顶点数最少；

C)定义引导向量为

，

其中为种群大小，为取自种群的点数较少之个体的数量，为进化算法的学习系数；

D)对进行变异系数为引导向量为的引导变异，为介于0和1之间的实数：设，其中每一元素以概率发生变异，若变异，则以概率成为1，以概率成为0；

E)记步骤D）所生成的新的向量为，对向量进行如生成种群中步骤a）的修复过程，得到种群中的一个新个体；

F)重复进行步骤D)和E）两步，直到生成个新解，连同生成种群中步骤b)中留取的个好解，组成新一代的种群；

G)令，判断此时生成的种群是否收敛为同一解，或者遗传变异次数达到预设的上界，如果成立，则遗传变异过程结束；否则循环执行步骤A)--F)。

本发明的有益效果如下：

（1）将社交网络的有影响力团体抽象为图的控制集，使得对不同分层方法的定量比较成为可能，同时此方法立意明确，可以方便地与其它分层策略组合使用。

（2）对于传统的确定性算法，本发明所采用的进化算法结构更简单，算法的执行效率更高，所带来的实用性也更强。

附图说明

图1是本发明方法的原理示意图。

图2是经典的Zachary空手道俱乐部网络结构图。

图3是本发明的进化算法中生成种群过程的流程图。

图4是本发明的进化算法进行一轮遗传变异的流程图。

图5是空手道俱乐部网络的分层示意图，其中黑点为领袖团体。

具体实施方案

下面结合附图对本发明创造做进一步详细说明

本发明的基于控制集改进算法的社交网络分层方法，其原理如图1所示：包括如下三个步骤：（1）将社交网络中的成员视作图的顶点，若两个成员之间有联系，则在对应的两点之间联边，如此则得到一个图，然后将社交网络的分层问题转化为搜索图的最小控制集问题；（2）用基于引导变异的的进化算法来搜索最小控制集；（3）将图的控制集转化为社交网络的领袖团体以实现分层。

以图2所示的扎克利空手道俱乐部网络（ZacharyKarateClubNetwork）为例，该图有34个点，78条边。即令，，取定，，，。

（1）生成种群。随机取定个点，记作点集，在的基础上随机添加中的点得到控制集，从中依次删点，使其成为极小控制集，即得到极小控制集，如图3所示，即为一个初始解；反复执行次，得到初始种群。

编号	控制集大小	控制集中的点
			1	7	1 3 7 13 30 32 33
2	10	2 4 5 7 12 18 23 32 33 34
			3	11	2 6 7 10 12 13 19 22 26 33 34
4	12	1 2 3 15 16 17 19 20 21 23 26 27
			5	12	3 4 6 11 12 18 19 22 23 25 33 34
6	11	1 2 5 10 15 17 20 25 27 29 33
			7	6	1 2 17 32 33 34
8	9	2 3 4 6 7 12 25 27 33
			9	11	1 3 7 15 16 19 21 23 26 27 31
10	8	1 6 7 10 28 30 32 33

（2）遗传变异。

选取其中个好解，即编号1，2，7，8，10所对应的解。

其中当前最优解为6点控制集{1217323334}，对其实施引导变异，其中每点发生变异的概率为，以概率变异为1，以概率变异为0，其中

生成新的向量后，再进行修复，可得到新的极小控制集；

重复进行次，连同个好解，得到新的种群：

编号	控制集大小	控制集中的点
			1	6	1 2 17 32 33 34
2	7	1 3 7 13 30 32 33
			3	8	1 6 7 10 28 30 32 33
4	9	2 3 4 6 7 12 25 27 33
			5	10	2 4 5 7 12 18 23 32 33 34
6	5	1 17 32 33 34
			7	8	1 2 10 17 27 28 32 33
8	7	2 5 12 13 17 32 34
			9	9	2 5 6 12 13 23 32 33 34
10	9	2 5 12 13 17 26 30 33 34

以上过程重复，如图4所示，直到算法收敛，找到最小控制集{1173234}，控制集大小为4，控制集所对应的Zachary空手道网络领袖团体如图5黑点所示。经仿真计算可知算法收敛速度很快。

Claims

1.一种基于控制集改进算法的社交网络分层方法，包括如下三个步骤：（1）将社交网络中的成员视作图的顶点，若两个成员之间有联系，则在对应的两点之间联边，如此则得到一个图，然后将社交网络的分层问题转化为搜索图的最小控制集问题；（2）用基于引导变异的进化算法来搜索最小控制集；（3）将图的控制集转化为社交网络的领袖团体以实现分层；

其特征在于所述步骤（2）中用基于引导变异的进化算法来搜索最小控制集，包括如下步骤：

2）生成种群：

b）重复步骤a）所述的过程次，即得到有个个体的进化算法种群，N是正整数；

3)遗传变异:

A)令时间，记个初始解分别为,,…,，其中为维向量；

C)定义引导向量为

，

G)令，判断此时生成的种群是否收敛为同一解，或者遗传变异次数达到预设的上界，如果成立，则遗传变异过程结束；否则循环执行步骤A)--G)。