CN105528407B - 一种获取l个具有最佳传播影响力用户的方法和装置 - Google Patents
一种获取l个具有最佳传播影响力用户的方法和装置 Download PDFInfo
- Publication number
- CN105528407B CN105528407B CN201510882500.7A CN201510882500A CN105528407B CN 105528407 B CN105528407 B CN 105528407B CN 201510882500 A CN201510882500 A CN 201510882500A CN 105528407 B CN105528407 B CN 105528407B
- Authority
- CN
- China
- Prior art keywords
- nodes
- undirected graph
- node
- users
- resource
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 91
- 238000005325 percolation Methods 0.000 claims description 27
- 238000000547 structure data Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 description 20
- 230000003993 interaction Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005541 medical transmission Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000003999 initiator Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013551 empirical research Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种获取L个具有最佳传播影响力用户的方法和装置,用于同时获取到多个具有最佳传播影响力的用户,提高信息的传播效率。在本发明提供的方法中,从网络信息数据库中获取拓扑网络的结构数据,根据拓扑网络的结构数据将拓扑网络表示为无向图,按照预置的重复次数t对无向图进行t次的节点赋值处理,其中,每一次的节点赋值处理都包括:对无向图进行边渗流处理,以及边渗流处理之后进行的资源值分配处理,对无向图进行t次的节点赋值处理之后,将无向图中所有节点按照各个节点得到的总资源值从大到小排序,排序中的前L个节点所对应的用户作为需要获取的L个具有最佳传播影响力的用户。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种获取L个具有最佳传播影响力用户的方法和装置。
背景技术
社交网络的发展对人类生活有着极大影响,无论是交友,工作还是购物,人们已经习惯依赖社交网络来获取信息。具有高影响力的用户在社交网络中可以作为信息传播源头,促进社交网络上有效信息的传播。为了让信息在网络中传播得更快,范围更广,关键就在于寻找到最具有传播影响力的节点。由于网络中总用户数量巨大,网络结构复杂,网络中大部分节点的传播能力极为有限,寻找有高传播影响力的用户一直是一大挑战。并且,随着社交网络规模的进一步扩大,在网络中只寻找一个最有影响力的用户作为传播源时,传播的效率比较低下,此时就需要寻找多个用户同时作为信息源,即网络的多源传播问题。多个用户作为信息源进行传播时,他们的传播范围并不是单个节点传播的简单叠加,实证研究发现,一般情况下多个高影响力的用户的传播范围会有一定程度的重合,即多个高影响力用户的传播效果会小于这些用户分别单独传播的效果之和,如何精确选择一批传播过程中互不重叠的高影响力用户是一个热点问题。本发明主要用于在网络中寻找L个具有最佳传播影响力的用户。
目前现有技术中寻找最佳传播影响力用户的方法有度中心性(DegreeCentrrality),介数中心性(Betweenness Centrality),接近中性(ClosenessCentrality)等方法。度中心性方法认为拥有最大度的节点同时也具有较大的传播影响力,即该方法认为与一个节点相关联的边的条数最大该节点就具有最佳传播影响力。介数中心性方法认为网络中所有节点对的最短路径中( 一般情况下一对节点之间存在多条最短路径),经过一个节点的最短路径数越多,这个节点对信息传播的控制力就越大,这个节点的影响力就越巨大。接近中心性方法认为一个节点与网络中其他节点的平均距离越小, 该节点的信息到达其他节点就越快,影响力也就越大。然而这些方法都是离散地计算某一个节点的影响力值,虽然能够用于区分将一个节点作为传播源头时,哪一个节点的传播更快、范围更广,但是如果是选取多个具有影响力的节点同时作为传播源头时,这些节点的传播范围很可能出现很多重合区域,从而整体传播效果不佳。
本发明的发明人在实现本发明的过程中发现,上述寻找最佳传播影响力用户的方法仅能用于网络中寻找单一的最佳传播影响力用户,但是信息在网络中的传播不能仅仅依赖于一个节点,而是需要同时寻找一群具有最佳传播影响力的用户,而现有的上述方法无法适用于同时寻找多个具有最佳传播影响力的用户。
发明内容
本发明的目的在于提供一种获取L个具有最佳传播影响力用户的方法和装置,用于同时获取到多个具有最佳传播影响力的用户,提高信息的传播效率。
为了达到上述目的,本发明采用这样的如下技术方案:
一方面,本发明提供一种获取L个具有最佳传播影响力用户的方法,包括:
从网络信息数据库中获取拓扑网络的结构数据,所述结构数据包括:用户集、所述用户集中不同用户之间的关联关系,所述用户集中包括至少N个用户,所述N为非零的自然数;
根据所述拓扑网络的结构数据将所述拓扑网络表示为无向图,所述无向图包括:N个节点和所述N个节点之间连接两个节点的连边,所述无向图中包括的每一个节点唯一地对应于所述用户集的一个用户,所述无向图中存在关联关系的两个用户对应的节点之间用一条边相连;
按照预置的重复次数t对所述无向图进行t次的节点赋值处理,其中,每一次的节点赋值处理都包括:对所述无向图进行边渗流处理,以及边渗流处理之后进行的资源值分配处理,其中,所述边渗流处理包括:对所述无向图中的每条连边以1-pc的概率进行删除、以pc的概率继续保留,删除连边完成后的无向图得到m个连通子图,所述pc为根据所述拓扑网络的结构数据预先确定的渗流阈值,所述m为非零的自然数,所述资源值分配处理包括:将所述m个连通子图按其包含的节点数目从大到小排列,将每个连通子图中的节点按度值降序排列,将L个单位的资源值依次分配给完成节点数目排列和度值排列后的m个连通子图内的节点,直至将所述L个单位的资源值分配完毕为止,其中在每一次的节点赋值处理过程中所述m个连通子图内的一个节点只能分配到一个单位的资源,所述L为预置的需要获取到具有最佳传播影响力的用户个数;
对所述无向图进行t次的节点赋值处理之后,将所述无向图中所有节点按照各个节点得到的总资源值从大到小排序,排序中的前L个节点所对应的用户作为需要获取的L个具有最佳传播影响力的用户。
另一方面,本发明提供一种获取L个具有最佳传播影响力用户的装置,包括:
结构数据获取模块,用于从网络信息数据库中获取拓扑网络的结构数据,所述结构数据包括:用户集、所述用户集中不同用户之间的关联关系,所述用户集中包括至少N个用户,所述N为非零的自然数;
无向图获取模块,用于根据所述拓扑网络的结构数据将所述拓扑网络表示为无向图,所述无向图包括:N个节点和所述N个节点之间连接两个节点的连边,所述无向图中包括的每一个节点唯一地对应于所述用户集的一个用户,所述无向图中存在关联关系的两个用户对应的节点之间用一条边相连;
节点赋值模块,用于按照预置的重复次数t对所述无向图进行t次的节点赋值处理,其中,每一次的节点赋值处理都包括:对所述无向图进行边渗流处理,以及边渗流处理之后进行的资源值分配处理,其中,所述边渗流处理包括:对所述无向图中的每条连边以1-pc的概率进行删除、以pc的概率继续保留,删除连边完成后的无向图得到m个连通子图,所述pc为根据所述拓扑网络的结构数据预先确定的渗流阈值,所述资源值分配处理包括:将所述m个连通子图按其包含的节点数目从大到小排列,将每个连通子图中的节点按度值降序排列,将L个单位的资源值依次分配给完成节点数目排列和度值排列后的m个连通子图内的节点,直至将所述L个单位的资源值分配完毕为止,其中在每一次的节点赋值处理过程中所述m个连通子图内的一个节点只能分配到一个单位的资源,所述L为预置的需要获取到具有最佳传播影响力的用户个数;
最佳传播影响力用户确定模块,用于对所述无向图进行t次的节点赋值处理之后,将所述无向图中所有节点按照各个节点得到的总资源值从大到小排序,排序中的前L个节点所对应的用户作为需要获取的L个具有最佳传播影响力的用户。
采用上述技术方案后,本发明提供的技术方案将有如下优点:
首先从网络信息数据库中获取拓扑网络的结构数据,然后根据拓扑网络的结构数据将拓扑网络表示为无向图,接下来按照预置的重复次数t对无向图进行t次的节点赋值处理,其中,每一次的节点赋值处理都包括:对无向图进行边渗流处理,以及边渗流处理之后进行的资源值分配处理,对无向图进行t次的节点赋值处理之后,将无向图中所有节点按照各个节点得到的总资源值从大到小排序,将无向图中总资源值降序排列最大的前L个节点作为具有最佳传播影响力的用户。本发明实施例中采用边渗流的方法将无向图划分为若干个连通子图,然后给连通子图中的节点分配单位的资源值,最后通过对无向图中的所有节点得到的总资源值来确定出L个具有最佳传播影响力的用户,本发明实施例通过重复t次的执行边渗流处理和资源值分配处理可以同时选择出L个具有最佳传播影响力的用户,这些L个具有最佳传播影响力的用户作为信息的传播源时能够提供信息的传播效率。
附图说明
图1为本发明实施例提供一种获取L个具有最佳传播影响力用户的方法的流程方框示意图;
图2-a为本发明实施例提供的一种获取L个具有最佳传播影响力用户的装置的组成结构示意图;
图2-b为本发明实施例提供的节点赋值模块的组成结构示意图;
图2-c为本发明实施例提供的另一种获取L个具有最佳传播影响力用户的装置的组成结构示意图。
具体实施方式
本发明实施例提供了一种获取L个具有最佳传播影响力用户的方法和装置,用于同时获取到多个具有最佳传播影响力的用户,提高信息的传播效率。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域的技术人员所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本发明的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
以下分别进行详细说明。
本发明获取L个具有最佳传播影响力用户的方法的一个实施例,可应用于从拓扑网络中同时选择出一群具有最佳传播影响力的用户,请参阅图1所示,本发明提供的获取L个具有最佳传播影响力用户的方法,可以包括如下步骤:
101、从网络信息数据库中获取拓扑网络的结构数据。
其中,结构数据包括:用户集、用户集中不同用户之间的关联关系,用户集中包括至少N个用户,N为非零的自然数。
在本发明实施例中,网络信息数据库中保存有拓扑网络的各种记录信息,例如网络信息数据库中保存有多个用户,这些用户属于用户集,网络信息数据库中的所有用户之间有的用户两两之间存在关联关系,网络信息数据库中的用户可以通过身份识别码(ID,Identity)来标识,用户之间的关联关系根据拓扑网络的具体实现可以表示不同的关系,例如拓扑网络可以指的是疾病传播网络、社交网络、媒体资讯网络等,在这些具体的拓扑网络中用户之间的关联关系具体可以疾病传播关系和交互关系。
人类活动的传播动力学主要可以分为两类:一类是疾病传播,另一类是信息传播,由于这两类传播之间的相似性,疾病传播模型也广泛应用于信息传播。因此本发明实施例提高的获取L个具有最佳传播影响力用户的方法适用于疾病传播网络,也适用于信息传播网络。举例说明,拓扑网络中的用户之间的关联关系可以指的是用户之间的朋友关系。在本发明实施例中可以通过因特网获取所需的各种拓扑网络。
在本发明实施例中,可以从拓扑网络中需要确定出L个最具最佳传播影响力的节点,首先需要先获取到该拓扑网络中的结构数据,具体的,网络信息数据库中保存有拓扑网络的结构数据,该结构数据中包括用户集,以及在用户集中不同用户之间的关联关系。例如,上述的关联关系具体为交互关系,所述结构数据包括:产生过交互记录的两个节点中交互发起方的ID和交互接收方的ID、交互行为类型、交互发起方的属性、交互时间。记录在网络信息数据库中的可以是朋友圈中的沟通记录,该沟通记录可包括交互双方的用户ID、交互时间、交互行为类型等基本交互信息,例如从网络信息数据库中提取到发短信聊天的双方交互记录,通过这些双方交互记录可以获取到拓扑网络的结构数据。
在本发明的一些实施例中,步骤101从网络信息数据库中获取拓扑网络的结构数据之后,本发明实施例提供的获取L个具有最佳传播影响力用户的方法还包括如下步骤:
对结构数据中包括的用户进行匿名化处理。
通常情况下为了保护用户的隐私不被泄露,从网络信息数据库获取到结构数据之后,还可以对敏感信息的用户属性进行匿名化处理,例如可以使用K-匿名模型进行匿名化处理,防止用户的隐私信息泄露。
102、根据拓扑网络的结构数据将拓扑网络表示为无向图。
其中,无向图包括:N个节点和N个节点之间连接两个节点的连边,无向图中包括的每一个节点唯一地对应于用户集的一个用户,无向图中存在关联关系的两个用户对应的节点之间用一条边相连。
在本发明实施例中,获取到拓扑网络的结构数据之后,根据上述的结构数据可以构造出一个无向图,该无向图中可以包括:节点以及连接两个节点的连边。每个用户在无向图中用节点来表示,用户和用户之间已经存在的关联关系用连边来表示,如果某用户和另一个用户之间存在关联关系,则在对应的两个节点之间建立连边,以用户集中有4个用户为例,分别为用户1、用户2、用户3、用户4,则对应于这4个用户,则建立的无向图中就可以包括4个节点,分别为节点1、节点2、节点3、节点4,其中,若用户1和用户3之间存在关联关系、用户2和用户3之间存在关联关系,则可以在节点1和节点3之间建立一个连边,在节点2和节点3之间建立一个连边。可以理解的是,上述只是举例说明,在实际应用中,用户集中包括的用户个数N可以取值很大,用户之间的关联关系可以更复杂,具体可以结合应用场景中的拓扑网络的具体结构来建立无向图。
举例说明如下,若结构数据中包括用户之间的交互信息,则可以将交互信息转化为简单的无向图,该无向图包括:如果节点之间有过交互记录,节点之间就有一条无向的连边相连。需要说明的是,在无向图中不允许出现重边、自环,其中重边指的是在两个节点之间建立多条边,自环指的是一个节点和自己建立连边,本发明实施例中提供的无向图中具有关联关系的两个节点之间只有一个连边,并且每个节点自己和自己不构成连边。
103、按照预置的重复次数t对无向图进行t次的节点赋值处理,其中,每一次的节点赋值处理都包括:对无向图进行边渗流处理,以及边渗流处理之后进行的资源值分配处理。
其中,步骤103中执行的节点赋值处理中包括的边渗流处理,包括如下步骤:
1031、对无向图中的每条连边以1-pc的概率进行删除、以pc的概率继续保留,删除连边完成后的无向图会形成m个连通子图,pc为根据拓扑网络的结构数据预先确定的渗流阈值,m为非零的自然数。
步骤103中执行的节点赋值处理中包括的资源值分配处理,包括如下步骤:
1032、将m个连通子图按其包含的节点数目从大到小排列,将每个连通子图中的节点按度值降序排列,将L个单位的资源值依次分配给完成节点数目排列和度值排列后的m个连通子图内的节点,直至将L个单位的资源值分配完毕为止,其中在每一次的节点赋值处理过程中所述m个连通子图内的一个节点只能分配到一个单位的资源,L为预置的需要获取到具有最佳传播影响力的用户个数。
在本发明实施例中,根据拓扑网络构建了无向图之后,针对该无向图中的所有节点进行节点赋值处理,节点赋值处理具体可以指的是步骤1031和步骤1032中具体实现方式,接下来分别对边渗流处理和资源值分配处理进行详细说明。
在步骤1031中首先根据拓扑网络的结构数据来预先确定拓扑网络的渗流阈值,该渗流阈值用字母pc表示,根据随机图理论存在出现巨大节点集群的临界概率。即拓扑网络具有临界概率pc ,当不超过pc时,拓扑网络由孤立的节点集群组成,但是当超过pc时,巨大节点集群将扩展到整个拓扑网络。考察一个拓扑网络,其中的边以概率p存在,而以概率p缺失。从拓扑网络中的一端开始而终止于另一端的、可以渗透整个拓扑网络的通道。对于小的p值,只可能在存在少数边,所以只可能产生少数节点相连接的小集群。但是在临界概率(即渗流阈值pc )下,利用边互相连接的节点可以构成一个渗流集群,该渗流集群的规模随着拓扑网络增大而扩展。
在本发明实施例中,概率值pc下,每次边删除过程会将无向图划分为若干个连通子图,用字母m来表示,一般来说每次划分后生成的连通子图个数不相等。通过设定的渗流阈值进行对无向图进行连边的删除和保留,可以将无向图划分为m个连通子图。可以理解的是,所划分的连通子图的大小可以用连通子图中的节点个数来衡量,连通子图包含的节点个数越多则称连通子图越大,连通子图包含的节点数越少则称连通子图越小。在得到m个连通子图之后执行步骤1032。
在本发明的一些实施例中,渗流阈值pc通过如下方式确定:
设概率值,对概率p设置多个不同的概率值,对于每一个概率p,都执行如下步骤a和步骤b:
步骤a、对无向图中的每条连边以的概率删除、以p的概率继续保留,删除连边之后的无向图得到一个连通子图集合,连通子图集合包含多个连通子图,每个连通子图包括:多个节点及节点间的连边,计算连通子图集合中每个连通子图包含的节点数;
步骤b、多次执行步骤a,计算通过多次执行步骤a得到的多个连通子图集合中节点个数为第二个最多的连通子图的平均节点数;
在对无向图按照不同的概率p执行的步骤a和步骤b之后,得到每一个概率p对应的节点个数为第二个最多的连通子图的平均节点数,将平均节点数最多时对应的概率p作为无向图的渗流阈值pc。
其中,在初始条件时可以假设多个p的取值,例如可以设置5个p的取值,分别为p1、p2、p3、p4、p5都大于0且小于1,然后在p1、p2、p3、p4、p5的五种概率值情况下分别对执行对无向图的边渗流处理,即对于p1、p2、p3、p4、p5中的每一个概率都执行步骤a和步骤b,例如,对于概率p1执行步骤a和步骤b时,执行一次步骤a可以得到一个连通子图集合,在步骤b中,对多次执行步骤a得到的多个连通子图集合,每个连通子图集合中都找到节点个数第二个最多的连通子图,这些节点个数第二个最多的连通子图中包括的节点个数进行平均,得到概率p1对应的平均节点数,则得到分别对应于p1、p2、p3、p4、p5情况下的无向图的子图划分,在每种情况下的子图划分中都会存在包括节点个数为第二个最多的连通子图的平均节点数,则可以得到p1、p2、p3、p4、p5分别对应的包括节点个数为第二个最多的连通子图的平均节点数,从这5个包括节点个数为第二个最多的连通子图的平均节点数中选择出具有平均节点数最多的连通子图对应的概率p,被选择出的具有平均节点数最多的连通子图对应的概率值就是无向图的渗流阈值。根据本发明实施例记载的渗流阈值的计算方式,本发明实施例中还可以采用其他的计算方式来计算渗流阈值,例如,根据无向图中包括的节点个数确定无向图的规模,针对不同规模的无向图可以设置不同的渗流阈值,具体可以结合应用场景来确定。
在步骤1032中,需要同时确定出的具有最佳传播影响力的用户个数用L来表示,因此在每次的资源值分配处理中需要分配的单位的资源值的个数也是L,即在每次的资源值分配处理中都需要向无向图中分配L个单位的资源值,其中在每一次的节点赋值处理过程中m个连通子图内的一个节点只能分配到一个单位的资源。可以理解的是,此处m个连通子图内的一个节点只能分配到一个单位的资源指的是在一次的资源值分配处理中。步骤1032中可以将m个连通子图中按其包含的节点数目从大到小排列,将每个连通子图中的节点按度值降序排列,将L个单位的资源值依次分配给每个连通子图中度的取值最大的节点,每个节点分配1个单位的资源值,如果第一轮分配完成后资源还有剩余,则继续依次分配给每个连通子图中度第二大的节点……。步骤1032中描述了L个单位的资源值的分配方式,具体的,对m个连通子图按照包括的节点个数的多少进行降序排序,再对每个连通子图内的所有节点按照度的取值进行降序排列,其中一个节点的度可以指的是无向图中与该节点连接的节点个数。步骤1032中每次分配单位的资源值时是按照连通子图中度的取值降序排列从前往后依次分配单位的资源值,每个节点在一次的资源值分配处理中只能分配到一个单位的资源值,直至将L个单位的资源值分配完毕为止。在本发明实施例中每个单位的资源值作为给无向图中最具传播影响力的节点评分投票的方式,在每一次的节点赋值处理后,无向图中都有L个节点各得到一个单位的资源值,通过t次的节点赋值处理之后共分配出去的资源值为L乘以t。需要说明的是,将L个单位的资源值分配时,m个连通子图按照包括节点个数的多少进行降序排序,再对每个连通子图内的所有节点按照度的取值进行降序排列,取L个单位的资源值依次分配给连通子图中的节点,则可以在一次的资源值分配处理中,无向图中可以有L个节点得到资源值,能够得到资源值的节点都可以认为是具有高传播影响力的节点,本发明实施例中需要执行t次的节点赋值处理,以保证能够得到资源值的节点是名副其实的具有高传播影响力的节点。
在本发明的一些实施例中,步骤1032将L个单位的资源值依次分配给m个连通子图内度的取值降序排列从前往后的节点,直至将L个单位的资源值分配完毕为止,具体可以包括如下步骤:
A1、判断L是否小于或等于m;
A2、若L≤m,从m个连通子图中获取到包括节点个数最多的L个连通子图,将L个单位的资源值分别分配给L个连通子图中的每个连通子图内度的取值最大的节点;
A3、若L>m,设L=k×m+n,k为非零自然数,n为自然数,且n小于m,将k×m个单位的资源值分别分配给m个连通子图中的每个连通子图内度的取值为前k个最大的节点,从m个连通子图中获取到包括节点个数最多的n个连通子图,将n个单位的资源值分别分配给n个连通子图中的每个连通子图内度的取值为第k+1个最大的节点,k为非零自然数,n为自然数。
其中,需要分配的资源值的个数为L个,每个节点只能分配一个单位的资源值,因此可以首先判断L和m的关系,若L≤m执行步骤A2,若L>m执行步骤A3。在步骤A2中,连通子图的个数大于资源值的个数,因此m个连通子图按照包括节点个数的的多少进行降序排序,只取节点个数最多的L个连通子图,给该L个连通子图中每个连通子图内度的取值最大的节点分配一个单位的资源值,因此该L个连通子图中分别有一个节点得到一个单位的资源值。在步骤A3中,连通子图的个数比资源值的个数少,因此在第一轮的资源值分配中,m个连通子图中度的取值最大的节点都可以得到一个单位的资源值,因此顺序分别进行第二轮的单位资源分配,直至L个单位的资源值分配完毕。在L>m时,可以将L=k×m+n,即L的取值可以是m的k倍,k为非零自然数,n的取值为自然数,先从L个单位的资源值中取出k×m个单位的资源值,每个连通子图中的度的取值为前k个的节点都可以分配到一个单位的资源值,若L恰好为m的k倍,即n等于0时,相当于此时已经完成L个单位的资源值的分配,若L除以m之后的余数n不等于0,则需要从m个连通子图中获取到包括节点个数最多的n个连通子图,将n个单位的资源值分别分配给n个连通子图中的每个连通子图内度的取值为第k+1个最大的节点,由于在前k轮的资源值分配中该n个连通子图中已经有k个节点得到了一个单位的资源值,而每个节点只能得到一个单位的资源值,因此需要为n个连通子图内度的取值为第k+1个最大的节点分配一个单位的资源值,从而可以完成对L个单位的资源值的分配。
在本发明的另一些实施例中,步骤1032将L个单位的资源值依次分配给完成节点数目排列和度值排列后的m个连通子图内的节点,直至将所述L个单位的资源值分配完毕为止,具体可以包括如下步骤:
B1、如果,则从m个连通子图中选择最大的前L个连通子图,给L个连通子图中度最大的节点分配1个单位的资源值;
其中,连通子图的规模通过该连通子图包括的节点个数来衡量,连通子图中节点通过节点的度来衡量。
需要说明的是,在本发明的前述步骤1031和步骤1032的实施例中描述了一次的节点赋值处理,当重复次数t不断增加时,需要t次的执行步骤1031和步骤1032,其中在每次执行节点赋值处理时,渗透阈值会影响对无向图的子图划分,每次划分子图得到的连通子图的个数m可能都不相同。
在本发明的一些实施例中,重复次数t的取值根据无向图中包括的节点个数确定,若无向图中包括的节点个数越多,t的取值越大,若无向图中包括的节点个数越少,t的取值越小。例如,通常情况中可取t值为与无向图中节点个数的数量级类似的值。又如,t可以通过对无向图中包括的节点个数取自然对数ln得到,具体实现方式不做限定。
在本发明的一些实施例中,本发明实施例提供的获取L个具有最佳传播影响力用户的方法,还可以包括如下步骤:
C1、在每完成一次的节点赋值处理之后,计算无向图中的每个节点得到的资源值,并对无向图中的每个节点得到的总资源值进行累计。
也就是说,在每次执行完步骤103之后,本发明实施例还可以执行步骤C1,对无向图中的每个节点得到的资源值进行累计,得到无向图中每个节点的总资源值。通过在每一轮的节点赋值处理之后计算节点的总资源值,可以获取到无向图中的每个节点的单位的资源值累计情况。进一步的,还可以在无向图中节点的总资源值累计到一定程度时停止重复次数t的继续执行,即重复次数t还可以根据在无向图中节点的总资源值累计达到目标值时不再执行步骤103,从而提高给节点赋值处理的计算量。
需要说明的是,在本发明的一些实施例中,步骤1032中无向图中所有节点的初始单位的资源值可以设为0,以便于在每一词的节点赋值处理后都可以方便的计算出无向图中每个节点得到的总资源值,当然无向图中所有节点的初始单位的资源值也可以设置为其他值,只需要无向图中所有节点具有相同的初始单位的资源值即可。
104、对无向图进行t次的节点赋值处理之后,将无向图中所有节点按照各个节点得到的总资源值从大到小排序,排列中的前L个节点所对应的用户作为需要获取的L个具有最佳传播影响力的用户。
在本发明实施例中,通过步骤103中t次执行节点赋值处理之后,无向图中每个节点都可以计算出一个总资源值,将无向图中所有节点按照各个节点得到的总资源值从大到小排序,将无向图中总资源值降序排列最大的前L个节点对应的用户作为具有最佳传播影响力的用户。通过无向图中各个节点得到的总资源值来确定各个节点的传播影响力,在每一轮的节点赋值处理中传播影响力大的节点可以得到一个单位的资源值,当t次的节点赋值处理完成后,得到总资源值最大的L个节点对应的用户就可以是需要寻找的L个具有最佳传播影响力的用户。本发明实施例中通过引入边渗流的方法,寻找到了一组具有最佳传播影响力的用户,这些节点作为信息的传播源可以提高信息的传播效率。本发明实施例的计算复杂低并且以本发明所得的节点进行传播的结果冗余度较低,即各个传播源的传播范围重合率非常小。本发明实施例的方法易于实现,计算简便。
通过前述实施例对本发明的描述可知,首先从网络信息数据库中获取拓扑网络的结构数据,然后根据拓扑网络的结构数据将拓扑网络表示为无向图,接下来按照预置的重复次数t对无向图进行t次的节点赋值处理,其中,每一次的节点赋值处理都包括:对无向图进行边渗流处理,以及边渗流处理之后进行的资源值分配处理,对无向图进行t次的节点赋值处理之后,将无向图中所有节点按照各个节点得到的总资源值从大到小排序,将无向图中总资源值降序排列最大的前L个节点作为具有最佳传播影响力的用户。本发明实施例中采用边渗流的方法将无向图划分为若干个连通子图,然后给连通子图中的节点分配单位的资源值,最后通过对无向图中的所有节点得到的总资源值来确定出L个具有最佳传播影响力的用户,本发明实施例通过重复t次的执行边渗流处理和资源值分配处理可以同时选择出L个具有最佳传播影响力的用户,这些L个具有最佳传播影响力的用户作为信息的传播源时能够提供信息的传播效率。
为便于更好的实施本发明实施例的上述方案,下面还提供用于实施上述方案的相关装置。
请参阅图2-a所示,本发明实施例提供的一种获取L个具有最佳传播影响力用户的装置200,可以包括:结构数据获取模块201、无向图获取模块202、节点赋值模块203和最佳传播影响力用户确定模块204,其中,
结构数据获取模块201,用于从网络信息数据库中获取拓扑网络的结构数据,所述结构数据包括:用户集、所述用户集中不同用户之间的关联关系,所述用户集中包括至少N个用户,所述N为非零的自然数;
无向图获取模块202,用于根据所述拓扑网络的结构数据将所述拓扑网络表示为无向图,所述无向图包括:N个节点和所述N个节点之间连接两个节点的连边,所述无向图中包括的每一个节点唯一地对应于所述用户集的一个用户,所述无向图中存在关联关系的两个用户对应的节点之间用一条边相连;
节点赋值模块203,用于按照预置的重复次数t对所述无向图进行t次的节点赋值处理,其中,每一次的节点赋值处理都包括:对所述无向图进行边渗流处理,以及边渗流处理之后进行的资源值分配处理,其中,所述边渗流处理包括:对所述无向图中的每条连边以1-pc的概率进行删除、以pc的概率继续保留,删除连边完成后的无向图会形成m个连通子图,所述pc为根据所述拓扑网络的结构数据预先确定的渗流阈值,所述m为非零的自然数,所述资源值分配处理包括:将所述m个连通子图按其包含的节点数目从大到小排列,将每个连通子图中的节点按度值降序排列,将L个单位的资源值依次分配给完成节点数目排列和度值排列后的m个连通子图内的节点,直至将所述L个单位的资源值分配完毕为止,其中在每一次的节点赋值处理过程中所述m个连通子图内的一个节点只能分配到一个单位的资源,所述L为预置的需要获取到具有最佳传播影响力的用户个数;
最佳传播影响力用户确定模块204,用于对所述无向图进行t次的节点赋值处理之后,将所述无向图中所有节点按照各个节点得到的总资源值从大到小排序,排序中的前L个节点所对应的用户作为需要获取的L个具有最佳传播影响力的用户。
在本发明的一些实施例中,请参阅如图2-b所示,所述节点赋值模块203,包括:判断模块2031、第一资源值分配模块2032和第二资源值分配模块2033,其中,
所述判断模块2031,用于判断所述L是否小于或等于所述m;
所述第一资源值分配模块2032,用于若L≤m,从所述m个连通子图中获取到包括节点个数最多的L个连通子图,将所述L个单位的资源值分别分配给所述L个连通子图中的每个连通子图内度的取值最大的节点;
所述第二资源值分配模块2033,用于若L>m,设L=k×m+n,所述k为非零自然数,所述n为自然数,且所述n小于所述m,将k×m个单位的资源值分别分配给所述m个连通子图中的每个连通子图内度的取值为前k个最大的节点,从所述m个连通子图中获取到包括节点个数最多的n个连通子图,将n个单位的资源值分别分配给所述n个连通子图中的每个连通子图内度的取值为第k+1个最大的节点。
在本发明的一些实施例中,请参阅如图2-c所示,相对于如图2-a所示,所述获取L个具有最佳传播影响力用户的装置200还包括:资源值计数模块205,用于在所述节点赋值模块203每完成一次的节点赋值处理之后,计算所述无向图中的每个节点得到的资源值,并对所述无向图中的每个节点得到的总资源值进行累计。
在本发明的一些实施例中,所述渗流阈值pc通过如下方式确定:
步骤a、对所述无向图中的每条连边以的概率删除、以p的概率继续保留,删除连边之后的无向图得到一个连通子图集合,所述连通子图集合包含多个连通子图,每个连通子图包括:多个节点及节点间的连边,计算所述连通子图集合中每个连通子图包含的节点数;
步骤b、多次执行步骤a,计算通过多次执行步骤a得到的多个连通子图集合中节点个数为第二个最多的连通子图的平均节点数;
在对所述无向图按照不同的概率p执行的步骤a和步骤b之后得到每一个概率p对应的节点个数为第二个最多的连通子图的平均节点数中,将所有的节点个数为第二个最多的连通子图的平均节点数最多时对应的概率p作为所述无向图的渗流阈值pc。
在本发明的一些实施例中,所述重复次数t的取值根据所述无向图中包括的节点个数确定,若所述无向图中包括的节点个数越多,所述t的取值越大,若所述无向图中包括的节点个数越少,所述t的取值越小。
通过前述实施例对本发明的描述可知,首先从网络信息数据库中获取拓扑网络的结构数据,然后根据拓扑网络的结构数据将拓扑网络表示为无向图,接下来按照预置的重复次数t对无向图进行t次的节点赋值处理,其中,每一次的节点赋值处理都包括:对无向图进行边渗流处理,以及边渗流处理之后进行的资源值分配处理,对无向图进行t次的节点赋值处理之后,将无向图中所有节点按照各个节点得到的总资源值从大到小排序,将无向图中总资源值降序排列最大的前L个节点作为具有最佳传播影响力的用户。本发明实施例中采用边渗流的方法将无向图划分为若干个连通子图,然后给连通子图中的节点分配单位的资源值,最后通过对无向图中的所有节点得到的总资源值来确定出L个具有最佳传播影响力的用户,本发明实施例通过重复t次的执行边渗流处理和资源值分配处理可以同时选择出L个具有最佳传播影响力的用户,这些L个具有最佳传播影响力的用户作为信息的传播源时能够提供信息的传播效率。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
综上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照上述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对上述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种获取L个具有最佳传播影响力用户的方法,其特征在于,包括:
从网络信息数据库中获取拓扑网络的结构数据,所述结构数据包括:用户集、所述用户集中不同用户之间的关联关系,所述用户集中包括至少N个用户,所述N为非零的自然数;
根据所述拓扑网络的结构数据将所述拓扑网络表示为无向图,所述无向图包括:N个节点和所述N个节点之间连接两个节点的连边,所述无向图中包括的每一个节点唯一地对应于所述用户集的一个用户,所述无向图中存在关联关系的两个用户对应的节点之间用一条边相连;
按照预置的重复次数t对所述无向图进行t次的节点赋值处理,其中,每一次的节点赋值处理都包括:对所述无向图进行边渗流处理,以及边渗流处理之后进行的资源值分配处理,其中,所述边渗流处理包括:对所述无向图中的每条连边以1-pc的概率进行删除、以pc的概率继续保留,删除连边完成后的无向图会形成m个连通子图,所述pc为根据所述拓扑网络的结构数据预先确定的渗流阈值,所述m为非零的自然数,所述资源值分配处理包括:将所述m个连通子图按其包含的节点数目从大到小排列,将每个连通子图中的节点按度值降序排列,将L个单位的资源值依次分配给完成节点数目排列和度值排列后的m个连通子图内的节点,直至将所述L个单位的资源值分配完毕为止,其中在每一次的节点赋值处理过程中所述m个连通子图内的一个节点只能分配到一个单位的资源,所述L为预置的需要获取到具有最佳传播影响力的用户个数;
对所述无向图进行t次的节点赋值处理之后,将所述无向图中所有节点按照各个节点得到的总资源值从大到小排序,排序中的前L个节点所对应的用户作为需要获取的L个具有最佳传播影响力的用户。
2.根据权利要求1所述的一种获取L个具有最佳传播影响力用户的方法,其特征在于,所述将L个单位的资源值依次分配给完成节点数目排列和度值排列后的m个连通子图内的节点,直至将所述L个单位的资源值分配完毕为止,包括:
判断所述L是否小于或等于所述m;
若L≤m,从所述m个连通子图中获取到包括节点个数最多的L个连通子图,将所述L个单位的资源值分别分配给所述L个连通子图中的每个连通子图内度的取值最大的节点;
若L>m,设L=k×m+n,所述k为非零自然数,所述n为自然数,且所述n小于所述m,将k×m个单位的资源值分别分配给所述m个连通子图中的每个连通子图内度的取值为前k个最大的节点,从所述m个连通子图中获取到包括节点个数最多的n个连通子图,将n个单位的资源值分别分配给所述n个连通子图中的每个连通子图内度的取值为第k+1个最大的节点。
3.根据权利要求1所述的一种获取L个具有最佳传播影响力用户的方法,其特征在于,所述方法还包括:
在每完成一次的节点赋值处理之后,计算所述无向图中的每个节点得到的资源值,并对所述无向图中的每个节点得到的总资源值进行累计。
4.根据权利要求1所述的一种获取L个具有最佳传播影响力用户的方法,其特征在于,所述渗流阈值pc通过如下方式确定:
设概率值,对所述概率p设置多个不同的概率值,对于每一个概率p,都执行如下步骤a和步骤b:
步骤a、对所述无向图中的每条连边以的概率删除、以p的概率继续保留,删除连边之后的无向图得到一个连通子图集合,所述连通子图集合包含多个连通子图,每个连通子图包括:多个节点及节点间的连边,计算所述连通子图集合中每个连通子图包含的节点数;
步骤b、多次执行步骤a,计算通过多次执行步骤a得到的多个连通子图集合中节点个数为第二个最多的连通子图的平均节点数;
在对所述无向图按照不同的概率p执行的步骤a和步骤b之后,得到每一个概率p对应的节点个数为第二个最多的连通子图的平均节点数,将所述平均节点数最多时对应的概率p作为所述无向图的渗流阈值pc。
5.根据权利要求1所述的一种获取L个具有最佳传播影响力用户的方法,其特征在于,所述重复次数t的取值根据所述无向图中包括的节点个数确定,若所述无向图中包括的节点个数越多,所述t的取值越大,若所述无向图中包括的节点个数越少,所述t的取值越小。
6.一种获取L个具有最佳传播影响力用户的装置,其特征在于,包括:
结构数据获取模块,用于从网络信息数据库中获取拓扑网络的结构数据,所述结构数据包括:用户集、所述用户集中不同用户之间的关联关系,所述用户集中包括至少N个用户,所述N为非零的自然数;
无向图获取模块,用于根据所述拓扑网络的结构数据将所述拓扑网络表示为无向图,所述无向图包括:N个节点和所述N个节点之间连接两个节点的连边,所述无向图中包括的每一个节点唯一地对应于所述用户集的一个用户,所述无向图中存在关联关系的两个用户对应的节点之间用一条边相连;
节点赋值模块,用于按照预置的重复次数t对所述无向图进行t次的节点赋值处理,其中,每一次的节点赋值处理都包括:对所述无向图进行边渗流处理,以及边渗流处理之后进行的资源值分配处理,其中,所述边渗流处理包括:对所述无向图中的每条连边以1-pc的概率进行删除、以pc的概率继续保留,删除连边完成后的无向图会形成m个连通子图,所述pc为根据所述拓扑网络的结构数据预先确定的渗流阈值,所述m为非零的自然数,所述资源值分配处理包括:将所述m个连通子图按其包含的节点数目从大到小排列,将每个连通子图中的节点按度值降序排列,将L个单位的资源值依次分配给完成节点数目排列和度值排列后的m个连通子图内的节点,直至将所述L个单位的资源值分配完毕为止,其中在每一次的节点赋值处理过程中所述m个连通子图内的一个节点只能分配到一个单位的资源,所述L为预置的需要获取到具有最佳传播影响力的用户个数;
最佳传播影响力用户确定模块,用于对所述无向图进行t次的节点赋值处理之后,将所述无向图中所有节点按照各个节点得到的总资源值从大到小排序,排序中的前L个节点所对应的用户作为需要获取的L个具有最佳传播影响力的用户。
7.根据权利要求6所述的一种获取L个具有最佳传播影响力用户的装置,其特征在于,所述节点赋值模块,包括:判断模块、第一资源值分配模块和第二资源值分配模块,其中,
所述判断模块,用于判断所述L是否小于或等于所述m;
所述第一资源值分配模块,用于若L≤m,从所述m个连通子图中获取到包括节点个数最多的L个连通子图,将所述L个单位的资源值分别分配给所述L个连通子图中的每个连通子图内度的取值最大的节点;
所述第二资源值分配模块,用于若L>m,设L=k×m+n,所述k为非零自然数,所述n为自然数,且所述n小于所述m,将k×m个单位的资源值分别分配给所述m个连通子图中的每个连通子图内度的取值为前k个最大的节点,从所述m个连通子图中获取到包括节点个数最多的n个连通子图,将n个单位的资源值分别分配给所述n个连通子图中的每个连通子图内度的取值为第k+1个最大的节点。
8.根据权利要求6所述的一种获取L个具有最佳传播影响力用户的装置,其特征在于,所述获取L个具有最佳传播影响力用户的装置还包括:资源值计数模块,用于在所述节点赋值模块每完成一次的节点赋值处理之后,计算所述无向图中的每个节点得到的资源值,并对所述无向图中的每个节点得到的总资源值进行累计。
9.根据权利要求6所述的一种获取L个具有最佳传播影响力用户的装置,其特征在于,所述渗流阈值pc通过如下方式确定:
设概率值,对所述概率p设置多个不同的概率值,对于每一个概率p,都执行如下步骤a和步骤b:
步骤a、对所述无向图中的每条连边以的概率删除、以p的概率继续保留,删除连边之后的无向图得到一个连通子图集合,所述连通子图集合包含多个连通子图,每个连通子图包括:多个节点及节点间的连边,计算所述连通子图集合中每个连通子图包含的节点数;
步骤b、多次执行步骤a,计算通过多次执行步骤a得到的多个连通子图集合中节点个数为第二个最多的连通子图的平均节点数;
在对所述无向图按照不同的概率p执行的步骤a和步骤b之后,得到每一个概率p对应的节点个数为第二个最多的连通子图的平均节点数,将所述平均节点数最多时对应的概率p作为所述无向图的渗流阈值pc。
10.根据权利要求6所述的一种获取L个具有最佳传播影响力用户的装置,其特征在于,所述重复次数t的取值根据所述无向图中包括的节点个数确定,若所述无向图中包括的节点个数越多,所述t的取值越大,若所述无向图中包括的节点个数越少,所述t的取值越小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510882500.7A CN105528407B (zh) | 2015-12-04 | 2015-12-04 | 一种获取l个具有最佳传播影响力用户的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510882500.7A CN105528407B (zh) | 2015-12-04 | 2015-12-04 | 一种获取l个具有最佳传播影响力用户的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105528407A CN105528407A (zh) | 2016-04-27 |
CN105528407B true CN105528407B (zh) | 2021-12-14 |
Family
ID=55770630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510882500.7A Active CN105528407B (zh) | 2015-12-04 | 2015-12-04 | 一种获取l个具有最佳传播影响力用户的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105528407B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106027507B (zh) * | 2016-05-11 | 2019-03-26 | 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) | 一种社交网络中匿名用户身份的识别方法 |
CN108009933B (zh) | 2016-10-27 | 2021-06-11 | 中国科学技术大学先进技术研究院 | 图中心性计算方法及装置 |
CN107092648A (zh) * | 2017-03-06 | 2017-08-25 | 扬州大学 | 一种微博网络中节点影响力计算方法 |
CN107908645B (zh) * | 2017-10-09 | 2021-09-28 | 北京航空航天大学 | 一种基于渗流分析的在线社交平台谣言传播的免疫方法 |
CN107592232A (zh) * | 2017-10-11 | 2018-01-16 | 中山大学 | 一种低代价传播或监控网络信息的方法 |
CN107682200A (zh) * | 2017-10-26 | 2018-02-09 | 杭州师范大学 | 一种基于有限观测的互联网传播源定位的方法 |
CN107945036A (zh) * | 2017-11-21 | 2018-04-20 | 中山大学 | 一种在线社交网络中有影响力传播者识别与量化的方法 |
CN108322454B (zh) * | 2018-01-17 | 2020-09-15 | 杭州盈高科技有限公司 | 一种网络安全检测方法及装置 |
CN110022270B (zh) * | 2019-03-27 | 2020-07-10 | 阿里巴巴集团控股有限公司 | 具有多种资源类型的资源分配方法和装置 |
CN110738421B (zh) * | 2019-10-17 | 2023-08-22 | 西南大学 | 一种基于传播最短路径的多层网络用户影响力度量方法 |
CN115941774B (zh) * | 2022-12-29 | 2024-07-30 | 天翼云科技有限公司 | 服务节点选取方法、装置、电子装置和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064917A (zh) * | 2012-12-20 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 一种面向微博的特定倾向的高影响力用户群发现方法 |
CN104636426A (zh) * | 2014-12-22 | 2015-05-20 | 河海大学 | 科研机构学术影响力的多因素综合定量分析与排序方法 |
-
2015
- 2015-12-04 CN CN201510882500.7A patent/CN105528407B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064917A (zh) * | 2012-12-20 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 一种面向微博的特定倾向的高影响力用户群发现方法 |
CN104636426A (zh) * | 2014-12-22 | 2015-05-20 | 河海大学 | 科研机构学术影响力的多因素综合定量分析与排序方法 |
Non-Patent Citations (1)
Title |
---|
社交网络中信息传播模式及话题趋势预测研究;程军军;《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》;20140215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105528407A (zh) | 2016-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105528407B (zh) | 一种获取l个具有最佳传播影响力用户的方法和装置 | |
Nishimura et al. | Restreaming graph partitioning: simple versatile algorithms for advanced balancing | |
Aicher et al. | Learning latent block structure in weighted networks | |
CN105653689B (zh) | 一种用户传播影响力的确定方法和装置 | |
US20150242497A1 (en) | User interest recommending method and apparatus | |
CN106991617B (zh) | 一种基于信息传播的微博社交关系提取算法 | |
CN104408640B (zh) | 应用软件推荐方法及装置 | |
CN105512156B (zh) | 点击模型生成方法和装置 | |
CN104077280A (zh) | 社区发现并行化方法和系统、主节点和运算节点设备 | |
CN110427494B (zh) | 知识图谱的展示方法、装置、存储介质及电子装置 | |
CN110209551B (zh) | 一种异常设备的识别方法、装置、电子设备及存储介质 | |
CN110969172A (zh) | 一种文本的分类方法以及相关设备 | |
CN110809066A (zh) | IPv6地址生成模型创建方法、装置及地址生成方法 | |
US10313457B2 (en) | Collaborative filtering in directed graph | |
CN106909619B (zh) | 一种基于偏移调节和竞价的混合社交网络聚类方法及系统 | |
CN108810089B (zh) | 一种信息推送方法、装置及存储介质 | |
CN107730271B (zh) | 基于虚拟交互对象的相似用户确定方法、装置及电子设备 | |
CN109710403A (zh) | 应用进程映射方法、电子装置及计算机可读存储介质 | |
CN108696418B (zh) | 一种社交网络中隐私保护方法及装置 | |
WO2020192273A1 (zh) | 具有多种资源类型的资源分配方法和装置 | |
CN106021325B (zh) | 一种好友推荐方法和装置 | |
KR101727831B1 (ko) | 소셜 네트워크에서의 커뮤니티 그룹 추적 방법 | |
CN106709597B (zh) | 基于人工蜂群算法的并行优化处理tsp问题的方法及装置 | |
CN106778864A (zh) | 初始样本选择方法及装置 | |
CN103414756A (zh) | 一种任务分发方法、分发节点及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |