CN103593438A - 一个预测社交网络演化过程和网络性质的方法 - Google Patents

一个预测社交网络演化过程和网络性质的方法 Download PDF

Info

Publication number
CN103593438A
CN103593438A CN201310567085.7A CN201310567085A CN103593438A CN 103593438 A CN103593438 A CN 103593438A CN 201310567085 A CN201310567085 A CN 201310567085A CN 103593438 A CN103593438 A CN 103593438A
Authority
CN
China
Prior art keywords
network
node
nodes
aggregation force
social networks
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.)
Granted
Application number
CN201310567085.7A
Other languages
English (en)
Other versions
CN103593438B (zh
Inventor
童超
乔梁
罗小简
朱蔷
马骏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201310567085.7A priority Critical patent/CN103593438B/zh
Publication of CN103593438A publication Critical patent/CN103593438A/zh
Application granted granted Critical
Publication of CN103593438B publication Critical patent/CN103593438B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/958Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/12Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一个预测社交网络演化过程和网络性质的方法,属于计算机技术领域。本方法初始设定完全图的社会网络,对每个新加入的节点,根据优先连接概率从当前网络中选取若干节点与新加入节点连接,然后计算当前网络中的每个节点的聚集力和网络的聚集力总和,并选取若干节点作为中心节点,将每个中心节点的任意两个好友节点连边。节点的聚集力描述在网络中,某一个节点能够使它的两个还没有成为好友关系的好友连边的能力。网络的聚集力总和描述了社交网络中所有节点的凝聚力总和。本发明方法可以较为准确地模拟并预测各种社交网络的演化过程,在一定程度上弱化了BA模型的弊端,生成接近于真实的社交网络。

Description

一个预测社交网络演化过程和网络性质的方法
技术领域
本发明提出一个用于预测社交网络演化过程和网络性质的模型,属于计算机技术领域和社交网络技术领域。
背景技术
近年来对于社交网络演化的研究非常热,研究者也提出了一些模型。然而这些模型并不能适用于预测各种类型的社交网络演化方向,目前,在该领域还没有一个公认的较好的能够准确预测网络未来演化方向的模型。
现有一个比较经典的社交网络演化模型是BA模型。在BA模型中,初始时刻,假设系统中已存在少量节点,在之后的每一个时间间隔中都新增一个节点,并将该节点与网络中已存在的节点进行连接,连接时按优先连接进行。这样,BA网络就演化为标度不变的状态,即节点度分布为幂指数等于3的幂律分布。但是,BA模型也存在着一定的问题,BA模型的聚类系数很小,特别当网络规模很大时,网络的聚类系数接近于0,这与真实网络具有较大聚类系数的特点并不相符合。本发明在充分研究BA模型的优缺点后,发现虽然BA模型生成网络度分布与实际社交网络度分布相似,但是其聚类系数较小,与实际社交网络特点不符,进一步深入分析聚类系数关于度的分布之后,发现BA模型生成的网络与真实的社交网络有很大的差异,可以说根本不存在局部性,而局部性是社交网络中非常重要的一个特性。
发明内容
本发明针对BA模型生成的网络与真实社交网络存在很大差异的问题,提供了一种预测社交网络演化过程和网络性质的方法,通过分析实际社交网络特点,在BA模型中引入三元闭包的思想,改进了BA模型。三元闭包即通过在拥有共同好友的两节点间加边,以达到增加聚类系数,改善模型的局部性的效果。
本发明提供的预测社交网络演化过程和网络性质的方法,包括如下步骤:
步骤1:将社交网络用无向无权图表示,设初始网络中每两个节点都相连,设n表示网络当前的节点个数;
步骤2:新加入一个节点时,根据优先连接概率从当前网络中选取k个节点与新加入节点相连接;在连接完成后,更新网络的节点数n'=n+1;
节点i的优先连接概率H(i)为:其中,di、dj分别表示节点i、节点j的度;
步骤3:更新n=n',计算当前网络中的每个节点的聚集力和网络的聚集力总和;
节点i的聚集力PoA(i)为: PoA ( i ) = d i &alpha; , d i < K K &alpha; , d i &GreaterEqual; K ; 其中,α是关于网络特点的参数,K是节点度的阈值;
网络的聚集力总和SPoA为:
Figure BDA0000414008100000022
步骤4:从当前网络中选出c个节点作为中心节点,节点i被选取的概率
Figure BDA0000414008100000023
对于每个中心节点,以等概率任取它的两个好友节点连边;
步骤5:检查当前网络的规模是否已经符合设定的要求,若是,结束本方法,否则跳至步骤2执行。
本发明的预测社交网络演化过程和网络性质的方法,在一定程度上弱化了BA模型的弊端,生成接近于真实的社交网络,较好地展现并预测网络演化过程。本发明方法在保证节点度分布为幂指数为3的幂律分布的前提下,实现了增加聚类系数,改善模型局部性的效果,更加接近实际社交网络的性质。
附图说明
图1是本发明的预测社交网络演化过程和网络性质的方法的流程示意图;
图2为本发明的预测社交网络演化过程和网络性质方法的原理示意图;
图3为本发明的预测社交网络演化过程和网络性质方法的效果图。
具体实施方式
下面将结合附图和实施例来说明本发明的技术方案。
本发明中用无向无权图表示社交网络,定义无向无权图G=(V,E),图中节点总数为n,边总数为m。图G中的节点就表示社交网络中的一个个体,一条边就表示两个个体之间有联系,即一条边连接的两个个体为好友关系。
本发明方法引入了节点的聚集力(Power of Aggregation)和网络的聚集力总和(Sum ofPower of Aggregation)两个概念。
(1)节点的聚集力;节点的聚集力描述在网络中,某一个节点能够使它的两个还没有成为好友关系的好友连边的能力。节点的聚集力在真实的社交过程中体现为一个人的凝聚力,即某个人可以让他的两个不相识的朋友相互成为好友的能力。
本发明对于节点i的聚集力,用聚集力函数PoA(i)表示: PoA ( i ) = d i &alpha; , d i < K K &alpha; , d i &GreaterEqual; K .
其中,di表示节点i的度,α是关于网络特点的参数,K是节点度的阈值。
节点i的度di是指和节点i相关联的边的条数。
参数α的值可以通过已有的网络数据来确定,将目前已有的网络数据作为输入数据代入本发明改进的BA模型,调整α和K,使模型模拟出来的网络性质与已知网络性质相符,然后利用得到的α和K来预测网络的未来演化。K是度的阈值,根据网络特点确定阈值大小,例如对于人人网的数据,设置阈值K为100。当度高于阈值K时,随着度的增加,节点的聚集力不再增大。
(2)网络的聚集力总和;网络的聚集力总和描述了社交网络中所有节点的凝聚力总和。
网络的聚集力总和用SPoA表示:
SPoA = &Sigma; i = 1 n PoA ( i )
由以上定义,引入三元闭包思想后,从网络中以概率
Figure BDA0000414008100000032
选取中心节点a,在与节点a相连的边中以相等概率随机取两个节点,在其之间连边,构成三元闭包,该方案可以有效将生成网络的聚类系数分布曲线向实际网络聚类系数分布曲线靠近。
由于部分社交网络还存在度较大节点聚类系数较小的问题,因此在形成三元闭包过程中需要引入一个阈值K,根据具体网络特点,当某节点i的度大于阈值K时,凝聚力统一采用Kα,以降低其应有节点凝聚力,达到降低度较大节点聚类系数较小的问题。
本发明方法以BA模型为基础,利用BA模型的增长机制,并以生成三元闭包作为模型中部分边生成的动力。本发明方法可以在一定程度上弱化BA模型的弊端,可以生成接近于真实的社交网络,较好地展现并预测网络演化过程。如图1所示,为本发明提供的预测社交网络演化过程和网络性质的方法的流程图。
步骤1:将社交网络用无向无权图表示,设初始网络当前包含的节点数为m0,每两个节点都相连,即网络初始为一个m0阶的完全图。初始网络可标记为
Figure BDA0000414008100000034
步骤2:取新加入的一个节点v,根据优先连接概率H(i),从当前网络中选取节点i与新加入节点v连边。本步骤共选出k个节点与新加入节点v相连接。k为正整数,具体值依据网络特点来设定,利用已知的网络数据来模拟确定,一般在1~20范围内。
节点i的优先连接概率H(i)为:
H ( i ) = d i &Sigma; j = 1 n d j
其中,di、dj分别表示节点i、节点j的度。优先连接概率表示新加入节点v与节点i连边的概率与节点i的度di成正比。
对同一个网络,参数k、α和K是固定的,都是利用已知的网络数据进行模拟后确定。
在连接完成后,更新网络的节点数n'=n+1,生成网络Nn'
步骤3:更新n=n',计算当前网络Nn中每一个节点i的聚集力PoA(i)和网络的聚集力总和SPoA。
步骤4:建立三元闭包。根据概率P(i)从当前网络中选出c个节点作为中心节点。
节点i被选取的概率P(i)为: P ( i ) = PoA ( i ) SPoA , i = 1,2 , . . . , n .
对于每一个中心节点,以等概率任取它的两个好友节点连边。
c为正整数,同样依据网络特点来设定,利用已知的网络数据来模拟确定。
步骤5:检查当前网络的规模是否已经符合设定的要求,若是,则结束本方法,否则,跳至步骤2执行。网络的规模即指网络中的节点数量。
例如设定的网络规模要求为Q,当网络当前的节点数目n达到Q时,则停止增加节点。
如图2所示,节点B和节点C有共同好友A,因此B和C成为好友的几率要远大于与B没有共同好友的D成为好友的概率,因此本发明的三元闭包的思想更加符合实际。
如图3所示,横坐标为节点的度数,纵坐标为所有节点的聚类系数的平均值。用现有BA模型和本发明方法分别对人人网的数据进行模拟,本发明方法中设置α为1,K为100,k为5。从图中可以看出,利用本发明方法相对于利用BA模型所模拟的社交网络的聚类系数更接近于真实的社交网络。

Claims (1)

1.一个预测社交网络演化过程和网络性质的方法,其特征在于,包括如下步骤:
步骤1:将社交网络用无向无权图表示,设初始网络中每两个节点都相连,设n表示网络当前的节点个数;
步骤2:新加入一个节点时,根据优先连接概率从当前网络中选取k个节点与新加入节点相连接;在连接完成后,更新网络的节点数n'=n+1;k为正整数;
节点i的优先连接概率H(i)为:
Figure FDA0000414008090000011
其中,di、dj分别表示节点i、节点j的度;
步骤3:更新n=n',计算当前网络中的每个节点的聚集力和网络的聚集力总和;
节点i的聚集力PoA(i)为: PoA ( i ) = d i &alpha; , d i < K K &alpha; , d i &GreaterEqual; K ; 其中,α是关于网络特点的参数,K是节点度的阈值;α、K为正整数
网络的聚集力总和SPoA为:
步骤4:从当前网络中选出c个节点作为中心节点,节点i被选取的概率
Figure FDA0000414008090000014
对于每个中心节点,以等概率任取它的两个好友节点连边;c为正整数;
步骤5:检查当前网络的规模是否已经符合设定的要求,若是,则结束本方法,否则跳至步骤2执行。
CN201310567085.7A 2013-11-14 2013-11-14 一个预测社交网络演化过程和网络性质的方法 Expired - Fee Related CN103593438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310567085.7A CN103593438B (zh) 2013-11-14 2013-11-14 一个预测社交网络演化过程和网络性质的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310567085.7A CN103593438B (zh) 2013-11-14 2013-11-14 一个预测社交网络演化过程和网络性质的方法

Publications (2)

Publication Number Publication Date
CN103593438A true CN103593438A (zh) 2014-02-19
CN103593438B CN103593438B (zh) 2017-01-11

Family

ID=50083579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310567085.7A Expired - Fee Related CN103593438B (zh) 2013-11-14 2013-11-14 一个预测社交网络演化过程和网络性质的方法

Country Status (1)

Country Link
CN (1) CN103593438B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704517A (zh) * 2017-08-31 2018-02-16 湖南大学 一种基于本地轨迹的兴趣点推荐方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060015588A1 (en) * 2004-06-30 2006-01-19 Microsoft Corporation Partitioning social networks
CN102571954A (zh) * 2011-12-02 2012-07-11 北京航空航天大学 基于节点核心影响力的复杂网络聚类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060015588A1 (en) * 2004-06-30 2006-01-19 Microsoft Corporation Partitioning social networks
CN102571954A (zh) * 2011-12-02 2012-07-11 北京航空航天大学 基于节点核心影响力的复杂网络聚类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANWEI NIU 等: "Patterns and A Generator of Social Networks: From the Perspective ofNon-giant Connected Components", 《ICACT2013》 *
刘浩广 等: "复杂网络中BA模型及其几种扩展模型的比较", 《贵州大学学报(自然科学版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704517A (zh) * 2017-08-31 2018-02-16 湖南大学 一种基于本地轨迹的兴趣点推荐方法

Also Published As

Publication number Publication date
CN103593438B (zh) 2017-01-11

Similar Documents

Publication Publication Date Title
CN104899431B (zh) 基于蚁群和粒子群集成的lssvm脉动风速预测方法
Wang et al. Improved BP neural network algorithm to wind power forecast
CN109523021B (zh) 一种基于长短时记忆网络的动态网络结构预测方法
CN104408518B (zh) 基于粒子群优化算法的神经网络学习优化方法
Li et al. Hybrid optimization algorithm based on chaos, cloud and particle swarm optimization algorithm
CN107844626B (zh) 一种具有多重传播率的病毒传播控制方法
Goto et al. Twin vortex computer in fluid flow
CN105224738B (zh) Lssvm非高斯脉动风速预测方法
CN105761153A (zh) 一种加权网络重要用户发现的实现方法
CN105160580A (zh) 基于分解的多目标粒子群优化的符号网络结构平衡
CN103020709A (zh) 一种基于人工蜂群算法和量子粒子群算法的优化计算方法
CN113330462A (zh) 使用软最近邻损失的神经网络训练
Ebrahimi et al. Accelerating global optimization of aerodynamic shapes using a new surrogate-assisted parallel genetic algorithm
Weihong et al. Optimization of BP neural network classifier using genetic algorithm
Zhang Artificial neural network model-based design and fixed-point FPGA implementation of hénon map chaotic system for brain research
CN103593438B (zh) 一个预测社交网络演化过程和网络性质的方法
CN106910013A (zh) 基于动态表达学习的不实信息检测方法和装置
CN106201655A (zh) 虚拟机分配方法和虚拟机分配系统
Yang et al. The impact of connection density on scale-free distribution in random networks
Nasimi et al. Identification and modeling of a yeast fermentation bioreactor using hybrid particle swarm optimization-artificial neural networks
CN103745079A (zh) 一种基于抽象凸估计的曲线拟合方法
Roebber Using evolutionary programs to maximize minimum temperature forecast skill
CN102306353A (zh) 一种仿真系统可信性评估方法及系统
Almodfer et al. Chaotic honey badger algorithm for single and double photovoltaic cell/module
Zhang et al. Empirical approximation for the stochastic fundamental diagram of traffic flow on signalized intersection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170111

Termination date: 20171114