CN107895215A - 基于神经网络的社会网络影响力预测及最大化系统与方法 - Google Patents
基于神经网络的社会网络影响力预测及最大化系统与方法 Download PDFInfo
- Publication number
- CN107895215A CN107895215A CN201711396478.0A CN201711396478A CN107895215A CN 107895215 A CN107895215 A CN 107895215A CN 201711396478 A CN201711396478 A CN 201711396478A CN 107895215 A CN107895215 A CN 107895215A
- Authority
- CN
- China
- Prior art keywords
- influence power
- influence
- neural network
- node
- neutral net
- 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.)
- Pending
Links
- 230000007935 neutral effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000000205 computational method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于神经网络的社会网络影响力预测及最大化系统与方法,属于网络科学技术领域。包括如下内容:内容一、观察社会网络节点行为属性或使用线性阈值模型,获得节点之间部分的影响力关系。将影响力关系文本化,使用神经网络进行学习。通过得到的神经网络模型对该社会网络影响力进行预测。内容二、对得到的神经网络,使用贪婪算法,求取影响力最大化集合。内容三、对得到的神经网络,使用权重值算法,求取影响力最大化集合。对于影响力最大化研究,传统的方法使用图论、建模等方法进行计算,需要已知社会网络的结构属性。本发明无需知道社会网络结构,利用神经网络对网络节点之间行为进行学习并做出预测,求取影响力最大化。
Description
技术领域
本发明涉及基于神经网络的社会网络影响力预测及最大化系统与方法,属于网络科学技术领域。
技术背景
社会网络节点影响力研究是社会网络分析的关键问题之一,对于传统意义上社会网络影响力的研究主要基于已知社会网络节点的属性、节点之间的社交关系,通过图论、建模和优化等方式,研究网络结构中心性评价指标、链路预测及影响力最大化。
随着互联网的发展以及人类互动和沟通需求的扩展,研究人员也有机会在大量现实社会网络上对影响力进行分析和建模。然而随着人们逐渐意识到隐私的重要性及相应部门、平台采取了对用户隐私的保护,想要完整的获取某一社会网络结构及其内部节点间具体的关系变得越来越困难。本质上,社交网络只是人类社会在网络上的映射,但是网络的传播速度消除了现实社会信息传递的成本和时间,这使得人与人之间复杂的连接性具备了神经网络的特性——任何一点的信息都可以在极短时间指数级扩散并让所有点做出反应。如何利用神经网络与社会网络的共通性,在未知社会网络结构条件下研究社会网络影响力问题成为了新的热点。
本发明将神经网络与社会网络相结合,利用神经网络对未知结构的社会网络进行学习分析,并能对社会网络影响力关系做出预测,用基于神经网络模型的方法做社会网络影响力最大化计算。
发明内容
本发明的目的在于针对传统的社会网络影响力研究需要已知网络结构的缺点,提供基于神经网络的社会网络影响力预测及其最大化计算方法,该方法通过神经网络对节点之间部分影响力关系的学习,可以预测社会网络节点间影响力关系和求取社会网络影响力最大化的方法。该方法不仅可以对未知网络结构的社会网络做影响力研究,同时也为影响力研究提供了新的方法和思路。
本发明基于神经网络的社会网络影响力预测及最大化系统与方法,包括基于神经网络的影响力预测及其最大化计算系统和基于神经网络的影响力预测及其最大化计算方法;
其中,基于神经网络的影响力预测和影响力最大化计算系统,简称该计算系统,包括预处理模块、神经网络学习模块、影响力预测和影响力最大化计算模块;
其中,预处理模块完成对网络的格式及规模为主的格式化,并生成训练集;神经网络学习模块将预处理模块生成的训练集作为输入,对此训练集进行学习后生成神经网络模型;影响力预测和影响力最大化计算模块通过神经网络学习模块生成的神经网络模型进行影响力预测和影响力最大化计算;
该计算系统中各模块连接关系如下:
预处理模块与神经网络学习模块相连,神经网络学习模块与影响力预测和影响力最大化计算模块相连;
该计算系统中各模块功能是:
预处理模块完成对网络的格式化,根据影响力传播模型生成神经网络的训练集和测试集;神经网络学习模块完成对训练集的学习;影响力预测和影响力最大化计算模块根据学习到的模型对网络里节点之间的影响力进行预测,求取影响力最大化集合。
基于神经网络的影响力预测和影响力最大化计算方法,通过以下步骤实现:
步骤1、读取社会网络模型,将社会网络模型中节点、边、边与边的权重、节点被激活的阈值格式化;
步骤2、生成训练集;
步骤2.1从社会网络模型中随机抽取节点,组成种子集;
步骤2.2使用线性阈值模型模拟影响力的传播,获得种子集在社会网络模型里影响力关系,即结果集;
步骤2.3格式化种子集和结果集,将种子集作为训练集的输入,结果集作为训练集的输出。
步骤3、调整神经网络参数,使用步骤2得到的训练集进行神经网络学习,获得学习到的神经网络模型;
步骤4、使用步骤3得到的神经网络模型,对社会网络的影响力进行预测,并评判预测准确率,具体为:
步骤4.1生成节点集合S,使用步骤3得到的神经网络模型对节点集合S的影响力进行预测;
步骤4.2读取社会网络模型,计算S的影响力;
步骤4.3将步骤4.1和步骤4.2得到的结果相比较,评判神经网络模型预测的准确率;
步骤5、使用步骤3得到的神经网络模型,用贪婪算法计算小规模社会网络影响力最大化集合,具体为:
步骤5.1初始化贪婪算法节点集合GS,默认加入小规模社会网络中编号第一个的节点;
步骤5.2遍历小规模社会网络中的节点,分别与GS组成集合,使用神经网络模型判断每个集合的影响力大小,选择影响力最大的集合,将该节点加入G中;
步骤5.3重复步骤5.2,直到GS的大小达到指定大小;
步骤6、使用步骤3得到的神经网络模型,用神经网络权重算法计算大规模社会网络影响力最大化集合,具体为:将神经网络的输入层与隐含层第一层的权重矩阵进行按行求和,并按绝对值的大小进行排序,选择求和后绝对值最大的前k行,行下标即为对应的节点,组成节点集合NW,NW即为求取的影响力最大化集合;
其中,步骤5和步骤6的执行顺序不固定,步骤5和步骤6的具体实施根据社会网络的规模进行灵活选择;
至此,经过步骤1至步骤6,完成基于神经网络的影响力预测及其最大化计算方法。
有益效果
基于神经网络的社会网络影响力预测及最大化系统与方法,与现有影响力研究方法相比,具有如下有益效果:
1.在未知社会网络结构条件,进行影响力研究;
2.可以根据部分节点间的影响力关系,对未知的影响力关系进行预测;
3.将社会网络影响力研究与神经网络相结合,为社会网络影响力研究提供新的思路和方法。
附图说明
图1是本发明基于神经网络的社会网络影响力预测及最大化系统与方法及实施例中的系统及方法流程示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明和详细描述。
实施例1
本实施例详细阐述了本发明基于神经网络的社会网络影响力预测和影响力最大化计算方法在使用lesmis数据集情况下具体实施时的过程:
如图1所示,本实施例首先读取lesmis数据集,初始化节点,将节点编号为0-76,读取网络里边和边的权重,为每个点设定固定的激活阈值。
随机从lesmis网络里抽取节点,组成一个种子集S,根据线性阈值模型,计算种子集S在lesmis网络里的结果集R。将种子集和结果集文本化,作为一个训练集。假定本实施例某个训练集在lesmis网络中随机抽取的种子集为S1={0,65},则结果集R1={0,2,3,11,26,47,48,49,51,55,58,59,60,61,62,63,64,65}。
将种子集和结果集文本化,文本化的规则为,种子集表示为(s0,s2,…,sn),sk=1代表节点k为种子集的一部分,sk=0代表节点k不属于种子集。结果集表示为(r0,r2,…,rn),rk=1代表节点k为结果集的一部分,rk=0代表节点k不属于结果集。在本实施例中,该次种子集文本化结果为s0=1、s65=1,其余节点为0;结果集文本化结果为r0=1、r2=1、r3=1、r11=1、r26=1、r47=1、r48=1、r49=1、r51=1、r55=1、r58=1、r59=1、r60=1、r61=1、r62=1、r63=1、r64=1、r65=1,其余节点为0。
本实施例使用3500个训练集进行训练,即选取3500个种子集和其对应的结果集分别作为神经网络训练集输入和输出,通过训练后获得神经网络模型。以生成训练集同样的方法生成测试集,以精确率和召回率评判学习模型的优劣。具体评判标准如下:
定义TP代表正类判定为正类,即节点受测试集影响,同时通过学习模型能够正确预判。
定义FP代表负类判定为正类,即节点不受测试集影响,但通过学习模型判定其受测试集影响。
定义FN代表正类判定为负类,即节点受测试集影响,但通过学习模型判定其不受测试集影响。
定义TN代表负类判定为负类,即节点不受测试集影响,同时通过学习模型预判其不受测试集影响。
定义精确率召回率
精确率和召回率均大于80%,即代表学习模型比较优秀,否则调整神经网络结构,重新进行训练。
本实施例,训练出的模型M选择使用神经网络输入层为77,隐含层1层,该隐含层神经元个数为3500,输出层77,学习率0.01的BP神经网络,精确率为99%,召回率为99%。由于精确率和召回率均大于99%,使用模型M。
获得神经网络模型后可以做以下三种计算。
第一,预测节点集影响力。对于本实施例,当需要预测节点集{0,3}的影响力时,如图所示,加载模型M,令T={0,3}文本化集合T为将文本化后的结果输入M中,得到输出结果即我们预测节点0和3在lesmis网络里,能够影响节点集合{0,2,3}。
第二、使用神经网络贪婪算法计算小规模网络影响力最大化集合。对于本实施例,当要获取大小为3的影响力最大化集合。将节点0作为贪婪算法初始节点,加入GS中。遍历节点0-76,当节点不属于GS时,将节点与GS组合,使用模型M计算影响的节点数目,当选取节点65与GS组合时,被影响的节点数为18,被影响节点数最大,将节点65加入GS中。重新遍历节点0-76,当节点不属于GS时,将节点与GS组合,使用模型M计算影响的节点数目,当选取节点23与GS组合时,被影响的节点数为26,被影响节点数最大,将节点23加入GS中。GS大小为3,停止计算。影响力最大化集合GS={0,23,65}。
第三、使用神经网络权重算法计算大规模网络影响力最大化集合。对于本实施例,当要求取大小为3的影响力最大化集合时,加载神经网络模型,获取输入层与隐含层的权重关系,该对应关系为一个77行3500列的矩阵。对77行分别按行求和,选取求和后绝对值最大的前3行,分别为27,65,70。即NW={27,65,70}。NW即为权重算法计算出的影响力最大化集合。
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (6)
1.基于神经网络的影响力预测及其最大化计算系统,简称计算系统,其特征在于:包括预处理模块、神经网络学习模块、影响力预测和影响力最大化计算模块;
其中,预处理模块完成对网络的格式及规模为主的格式化,并生成训练集;神经网络学习模块将预处理模块生成的训练集作为输入,对此训练集进行学习后生成神经网络模型;影响力预测和影响力最大化计算模块通过神经网络学习模块生成的神经网络模型进行影响力预测和影响力最大化计算;
该计算系统中各模块连接关系如下:
预处理模块与神经网络学习模块相连,神经网络学习模块与影响力预测和影响力最大化计算模块相连;
该计算系统中各模块功能是:
预处理模块完成对网络的格式化,根据影响力传播模型生成神经网络的训练集和测试集;神经网络学习模块完成对训练集的学习;影响力预测和影响力最大化计算模块根据学习到的模型对网络里节点之间的影响力进行预测,求取影响力最大化集合。
2.基于神经网络的影响力预测及其最大化计算方法,其特征在于:包括如下步骤:
步骤1、读取社会网络模型,将社会网络模型中节点、边、边与边的权重、节点被激活的阈值格式化;
步骤2、生成训练集;
步骤3、调整神经网络参数,使用步骤2得到的训练集进行神经网络学习,获得学习到的神经网络模型;
步骤4、使用步骤3得到的神经网络模型,对社会网络的影响力进行预测,并评判预测准确率;
步骤5、使用步骤3得到的神经网络模型,用贪婪算法计算小规模社会网络影响力最大化集合;
步骤6、使用步骤3得到的神经网络模型,用神经网络权重算法计算大规模社会网络影响力最大化集合,具体为:神经网络输入层与隐含层第一层的权重矩阵进行按行求和,并按绝对值的大小进行排序,选择求和后绝对值最大的前k行,行下标即为对应的节点,组成节点集合NW,NW即为求取的影响力最大化集合;
至此,经过步骤1至步骤6,完成基于神经网络的影响力预测及其最大化计算方法。
3.根据权利要求2所述的基于神经网络的影响力预测及其最大化计算方法,其特征在于:步骤2,具体包括如下步骤:
步骤2.1从社会网络模型中随机抽取节点,组成种子集;
步骤2.2使用线性阈值模型模拟影响力的传播,获得种子集在社会网络模型里影响力关系,即结果集;
步骤2.3格式化种子集和结果集,将种子集作为训练集的输入,结果集作为训练集的输出。
4.根据权利要求2所述的基于神经网络的影响力预测及其最大化计算方法,其特征在于:步骤4,具体为:
步骤4.1生成节点集合S,使用步骤3得到的神经网络模型对节点集合S的影响力进行预测;
步骤4.2读取社会网络模型,计算S的影响力;
步骤4.3将步骤4.1和步骤4.2得到的结果相比较,评判神经网络模型预测的准确率。
5.根据权利要求2所述的基于神经网络的影响力预测及其最大化计算方法,其特征在于:步骤5,具体为:
步骤5.1初始化贪婪算法节点集合GS,默认加入小规模社会网络中编号第一个的节点;
步骤5.2遍历小规模社会网络中的节点,分别与GS组成集合,使用神经网络模型判断每个集合的影响力大小,选择影响力最大的集合,将该节点加入G中;
步骤5.3重复步骤5.2,直到GS的大小达到指定大小。
6.根据权利要求2所述的基于神经网络的影响力预测及其最大化计算方法,其特征在于:步骤5和步骤6的执行顺序不固定,步骤5和步骤6的具体实施根据社会网络的规模进行灵活选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396478.0A CN107895215A (zh) | 2017-12-21 | 2017-12-21 | 基于神经网络的社会网络影响力预测及最大化系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396478.0A CN107895215A (zh) | 2017-12-21 | 2017-12-21 | 基于神经网络的社会网络影响力预测及最大化系统与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107895215A true CN107895215A (zh) | 2018-04-10 |
Family
ID=61808546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711396478.0A Pending CN107895215A (zh) | 2017-12-21 | 2017-12-21 | 基于神经网络的社会网络影响力预测及最大化系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107895215A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147911A (zh) * | 2019-05-28 | 2019-08-20 | 吉林大学 | 一种基于内容感知的社交影响力预测模型及预测方法 |
CN111126758A (zh) * | 2019-11-15 | 2020-05-08 | 中南大学 | 一种学术团队影响力传播预测方法、设备和存储介质 |
CN112000897A (zh) * | 2020-05-12 | 2020-11-27 | 中南大学 | 用于提升节点中心性的链路推荐方法及其用户推荐方法 |
-
2017
- 2017-12-21 CN CN201711396478.0A patent/CN107895215A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147911A (zh) * | 2019-05-28 | 2019-08-20 | 吉林大学 | 一种基于内容感知的社交影响力预测模型及预测方法 |
CN110147911B (zh) * | 2019-05-28 | 2022-09-09 | 吉林大学 | 一种基于内容感知的社交影响力预测模型及预测方法 |
CN111126758A (zh) * | 2019-11-15 | 2020-05-08 | 中南大学 | 一种学术团队影响力传播预测方法、设备和存储介质 |
CN111126758B (zh) * | 2019-11-15 | 2023-09-29 | 中南大学 | 一种学术团队影响力传播预测方法、设备和存储介质 |
CN112000897A (zh) * | 2020-05-12 | 2020-11-27 | 中南大学 | 用于提升节点中心性的链路推荐方法及其用户推荐方法 |
CN112000897B (zh) * | 2020-05-12 | 2022-03-25 | 中南大学 | 用于提升节点中心性的链路推荐方法及其用户推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651030B (zh) | 一种改进的rbf神经网络热点话题用户参与行为预测方法 | |
CN109949929A (zh) | 一种基于深度学习大规模病历的辅助诊断系统 | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
CN107895215A (zh) | 基于神经网络的社会网络影响力预测及最大化系统与方法 | |
CN106527757A (zh) | 一种输入纠错方法及装置 | |
CN110223785A (zh) | 一种基于深度学习的传染病传播网络重构方法 | |
CN106951568A (zh) | 基于数据挖掘的学生贫困状态预测方法 | |
CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
CN108229731B (zh) | 一种热点话题下多消息互影响的用户行为预测系统及方法 | |
CN103729467B (zh) | 一种社交网络中的社区结构发现方法 | |
CN103020728A (zh) | 一种电力系统中变电站短期电能质量预测方法 | |
CN107919983B (zh) | 一种基于数据挖掘的天基信息网络效能评估系统及方法 | |
CN107423406A (zh) | 一种校园学生关系网络的构建方法 | |
CN103577876A (zh) | 基于前馈神经网络的可信与不可信用户识别方法 | |
JP2022530868A (ja) | 機械学習に基づくターゲットオブジェクト属性予測方法、関連機器及びコンピュータプログラム | |
CN106203627A (zh) | 一种对网络靶场进行评价的方法 | |
CN108280207A (zh) | 一种构造完美哈希的方法 | |
CN116468300A (zh) | 基于神经网络的军队总医院学科评估方法及系统 | |
CN112860973B (zh) | 基于社交网络分析的组织健康评估方法 | |
CN110049034A (zh) | 一种基于深度学习的复杂网络实时Sybil攻击检测方法 | |
CN110046204A (zh) | 考虑关联性与优先关系的区间犹豫模糊图决策方法的构建 | |
CN104679988B (zh) | 一种基于云topsis的多属性决策方法 | |
Reddy et al. | Neural networks for prediction of loan default using attribute relevance analysis | |
CN107194579A (zh) | 一种基于神经网络的建设项目社会稳定风险评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180410 |