CN103150360B - 一种基于控制集改进算法的社交网络分层方法 - Google Patents
一种基于控制集改进算法的社交网络分层方法 Download PDFInfo
- Publication number
- CN103150360B CN103150360B CN201310061114.2A CN201310061114A CN103150360B CN 103150360 B CN103150360 B CN 103150360B CN 201310061114 A CN201310061114 A CN 201310061114A CN 103150360 B CN103150360 B CN 103150360B
- Authority
- CN
- China
- Prior art keywords
- population
- domination set
- social networks
- individual
- variation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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)
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:
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)--G)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310061114.2A CN103150360B (zh) | 2013-02-27 | 2013-02-27 | 一种基于控制集改进算法的社交网络分层方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310061114.2A CN103150360B (zh) | 2013-02-27 | 2013-02-27 | 一种基于控制集改进算法的社交网络分层方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103150360A CN103150360A (zh) | 2013-06-12 |
CN103150360B true CN103150360B (zh) | 2016-02-03 |
Family
ID=48548437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310061114.2A Active CN103150360B (zh) | 2013-02-27 | 2013-02-27 | 一种基于控制集改进算法的社交网络分层方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103150360B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104158618B (zh) * | 2014-07-31 | 2017-01-25 | 南京信息工程大学 | 一种光正交码构造方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163227A (zh) * | 2011-04-12 | 2011-08-24 | 湖南大学 | 一种web社会网络行为轨迹分析与控制子集获取方法 |
CN102761881A (zh) * | 2012-06-19 | 2012-10-31 | 江苏科技大学 | 无线传感器网络静态节点最优覆盖控制集求解方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7477607B2 (en) * | 2004-10-29 | 2009-01-13 | Telcordia Technologies, Inc. | Method for allocating blocks of internet protocol (IP) addresses in networks |
-
2013
- 2013-02-27 CN CN201310061114.2A patent/CN103150360B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163227A (zh) * | 2011-04-12 | 2011-08-24 | 湖南大学 | 一种web社会网络行为轨迹分析与控制子集获取方法 |
CN102761881A (zh) * | 2012-06-19 | 2012-10-31 | 江苏科技大学 | 无线传感器网络静态节点最优覆盖控制集求解方法 |
Non-Patent Citations (2)
Title |
---|
Dominating sets in social network graphs;Laura L.Kelleher,et al.;《Mathematical Socail Sciences》;19881231;第16卷(第3期);267-279 * |
Hybrid metaheuristic algorithms for minimum weight dominating set;Anupama Potluri, et al.;《Applied Soft Computing》;20130131;第13卷(第1期);76-88 * |
Also Published As
Publication number | Publication date |
---|---|
CN103150360A (zh) | 2013-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Boosting slime mould algorithm for parameter identification of photovoltaic models | |
CN107220277A (zh) | 基于手绘草图的图像检索算法 | |
CN103778227A (zh) | 从检索图像中筛选有用图像的方法 | |
CN103870647A (zh) | 一种基于遗传算法的作业车间调度建模的方法 | |
CN109743196B (zh) | 一种基于跨双层网络随机游走的网络表征方法 | |
CN106570250A (zh) | 面向电力大数据的微电网短期负荷预测方法 | |
CN103455612B (zh) | 基于两阶段策略的非重叠与重叠网络社区检测方法 | |
CN104268629A (zh) | 一种基于先验信息和网络固有信息的复杂网络社区检测方法 | |
CN110188348A (zh) | 一种基于深度神经网络的中文语言处理模型及方法 | |
CN105678590A (zh) | 一种面向社交网络基于云模型的topN推荐方法 | |
CN106597154B (zh) | 基于dag-svm的变压器故障诊断提升方法 | |
CN105320764A (zh) | 一种基于增量慢特征的3d模型检索方法及其检索装置 | |
CN105678401A (zh) | 一种基于策略适应性差分进化的全局优化方法 | |
CN107491508A (zh) | 一种基于循环神经网络的数据库查询时间预测方法 | |
CN109840551A (zh) | 一种用于机器学习模型训练的优化随机森林参数的方法 | |
CN104361135A (zh) | 一种图像检索方法 | |
CN103440332B (zh) | 一种基于关系矩阵正则化增强表示的图像检索方法 | |
CN103150360B (zh) | 一种基于控制集改进算法的社交网络分层方法 | |
Zhou et al. | An new immune genetic algorithm based on uniform design sampling | |
CN107133348A (zh) | 大规模图片集中基于语义一致性的近似搜索方法 | |
CN104679988B (zh) | 一种基于云topsis的多属性决策方法 | |
CN105389297A (zh) | 文本相似度处理方法 | |
Singh et al. | A hybrid surrogate based algorithm (HSBA) to solve computationally expensive optimization problems | |
Chetoui et al. | Course recommendation model based on Knowledge Graph Embedding | |
Zhao et al. | Hybrid algorithm for solving traveling salesman problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190211 Address after: Room 307, 3rd floor, Building A, Shuyang Software Industrial Park, Suqian City, Jiangsu Province Patentee after: Suqian Xingbao Technology Co., Ltd. Address before: 210044 Ning six road, Nanjing, Jiangsu Province, No. 219 Patentee before: Nanjing University of Information Science and Technology |