CN109376195B - 用于在线社交网络数据挖掘模型数值机理有效性验证方法 - Google Patents
用于在线社交网络数据挖掘模型数值机理有效性验证方法 Download PDFInfo
- Publication number
- CN109376195B CN109376195B CN201811352786.8A CN201811352786A CN109376195B CN 109376195 B CN109376195 B CN 109376195B CN 201811352786 A CN201811352786 A CN 201811352786A CN 109376195 B CN109376195 B CN 109376195B
- Authority
- CN
- China
- Prior art keywords
- state
- node
- information
- network data
- online social
- 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
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出了一种用于在线社交网络数据挖掘模型数值机理有效性验证方法,包括如下步骤:S1,获取在线社交网络数据,形成概率模型进行数据抽取,对于抽取后的网络数据进行数据模拟,形成概率模型的数据趋势,并发送到远程终端;S2,对于在线社交网络数据进行传播模型提取,通过对不同在线社交网络数据状态的转化规律的分析之后,设定相应数据提取的判断阈值,从而预先判断在线社交网络数据的发展趋势,并将该在线社交网络数据发展趋势进行远程展示。
Description
技术领域
本发明涉及大数据分析领域,尤其涉及一种用于在线社交网络数据挖掘模型数值机理有效性验证方法。
背景技术
随着移动互联网的发展、5G时代的来临,在线社交网络越来越流行,人们的日常工作和生活已经离不开这些社交网络,随之产生的大量信息也充斥着网络,无论是谣言还是商品广告信息等都会在网络上蔓延,因而了解信息背后的传播机理能够帮助人们更好地管理和控制网络上信息的传播。
在线社交网络上的信息传播在诸多因素的影响下进行演化,既包括传播速度和扩散范围的演化也包括信息自身内容的演化。影响因素有很多,但归结起来不外乎信息自身特征、传播信息的网络用户的特征与行为、承载信息传播的社交网络的拓扑结构,以及信息传播的宏观环境。此外,社交媒体上信息传播有时还受到社会媒体服务所提供的信息推送功能的影响,比如Facebook的News Feed、新浪微博的即时推、腾讯视频的消息推荐等。这几个方面是在线社交网络中信息传播的关键因素,它们共同决定了信息传播与演化的行为与模式。
基于传染病的多信息建模方法是从用户的角度出发,认为用户以一定概率传播事件信息,传染病模型是信息传播领域公认比较成熟的模型,传统模型有SI、SIR、 SIS,其中SIR模型是将人群分为易感者S状态、感染者I状态和治愈者R状态,信息从感染者传到易感者,易感者收到信息并成功转发后,自身转变为治愈者,完成个体状态的转换,直至系统达到一种稳定态。SIS和SIR模型产生了很多变体,如SIRS、SIDR和SAIR。但是这些模型均无法反映S状态节点转化为I状态节点之前有一个潜伏期的事实,为此将潜伏状态引入SIR模型,产生了SEIR模型。在此基础上,为了刻画信息传播中广泛存在的点到群的传播模式,提出了e-SEIR模型。随着研究工作的不断深入,传染病模型在许多实际应用领域得到了进一步的发展,例如,研究新产品在社交网络中扩散的Bass-SIR模型,恢复时间是幂律分布的SIR生命动力学模型,基于情感交流的HIT-SCIR模型和具有两个时滞和垂直转移的SEIRS模型。
当模型建立之后其工作的效率高低始终无法进行有效的验证,对于相应模型的稳定性无法预知其工作效率,这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种用于在线社交网络数据挖掘模型数值机理有效性验证方法。
为了实现本发明的上述目的,本发明提供了一种用于在线社交网络数据挖掘模型数值机理有效性验证方法,包括如下步骤:
S1,获取在线社交网络数据,形成概率模型进行数据抽取,对于抽取后的网络数据进行数据模拟,形成概率模型的数据趋势,并发送到远程终端;
S2,对于在线社交网络数据进行传播模型提取,通过对不同在线社交网络数据状态的转化规律的分析之后,设定相应数据提取的判断阈值,从而预先判断在线社交网络数据的发展趋势,并将该在线社交网络数据发展趋势进行远程展示。
所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,优选的,所述S1包括:
S1-1,根据转移概率矩阵P,考虑某个S状态节点同时存在na个IA状态、nb个 IB状态的邻居节点,则以λ1为横轴、λ2为纵轴,以S状态节点成功接收到某一类型信息导致状态转移的概率为竖轴,绘制了S状态节点转移概率随λ1,λ2,na,nb的变化关系图;
S1-2,转移概率随λ1,λ2的增加呈线性增长,随na,nb的增加呈指数快速增长,当λ1>λ2时,节点向IA状态转移,反之,向IB状态转移,在na=10,nb=2情形下,S状态节点向IA状态转移的概率很快达到1,当节点只接触到某一种信息,即λ1=0或λ2=0时,节点只向接触到的这种类型信息的节点状态转变;
S1-3,节点在信息竞争中向对方状态转移的概率随θ1,θ2的增加呈线性增长,随na,nb的增加呈指数快速增长,在na=10,nb=2情形下,竞争使节点转移到IA状态的概率远高于转移到IB状态的概率,当在线社交网络数据信息中一类数据信息占有绝对优势时,信息竞争行为消失,即θ1=0或θ2=0,传播节点将快速向某一种状态单方向转化,整个网络舆论迅速统一。
所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,优选的,所述S2包括:
S2-1,根据传播模型所提取的在线社交网络数据,度k的分布服从幂律分布 P(k)~αk-γ,γ为常量,无标度网络的平均路径长度较小,聚类系数也较小;
S2-2,在整个传播过程中,节点的状态不断改变,每一时刻节点处于某一状态,那么不同的状态在往下一状态转化时其处理过程是不同的;
S2-3,当节点当前状态为未传播任何信息的S状态时,节点在某一时刻接收不到任何信息,那么节点状态保持不变;当只接收到某一类型的信息,然后以一定的传播概率进行传播,当同时接收到两类信息。
所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,优选的,所述S2-2包括:
S2-A,对于在线社交网络数据选取未传播任何信息节点的S状态的节点i,收集在线社交网络数据节点i收到A信息并积极传播的节点的IA网络状态的邻居节点数量IANum,同时收集在线社交网络数据节点i收到B信息并积极传播的节点的IB网络状态的邻居节点数量IBNum,收集完毕IAnum和IBnum之后,计算未传播任何信息节点的S状态向IA状态转换的转移概率和未传播任何信息节点的S状态向IB状态转换的转移概率然后生成原始随机数Prand∈(0,1),将转移概率和进行比较;
S2-B,当时执行Prand和比较步骤,如果则在线网络数据节点i转化为IA状态,如果则在线网络数据节点i不发生变化;
S2-C,当时执行Prand和比较步骤,如果则在线网络数据节点i转化为IB状态,如果则在线网络数据节点i不发生变化;
S2-D,当时,读取在线社交网络数据信息偏好权重系数η,执行和比较步骤,如果则执行Prand和比较步骤,如果则在线网络数据节点i转化为IA状态,如果则在线网络数据节点i不发生变化;
S2-E,如果则执行Prand和比较步骤,如果则在线网络数据节点i转化为IB状态,如果则在线网络数据节点i不发生变化。
所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,优选的,所述S2-3包括:
S2-F,当只接收到信息A时,
S2-G,当只接收到信息B时,
S2-H,当同时接收到A信息和B信息两类信息时,需要更进一步的判断处理,对两类信息的传播可能性进行比较。
所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,优选的,所述S2还包括:
S2-4,当节点当前状态为传播A信息的IA状态时,该节点有一定的遗弃率转化为R状态,同时还以一定的概率被B信息所取代而转化为IB状态;
S2-5,首先选取IA状态的在线社交网络数据节点i,生成第一随机数Prand1∈(0,1),判断是否Prand1<δ1,如果是,则执行在线社交网络数据节点i转化为所有信息持抵制态度的遗弃状态节点的R状态,如果否,则统计在线社交网络数据节点i的IB状态的邻居节点数量IBNum,计算IA向IB转换的转移概率生成第二随机数Prand2∈(0,1),判断是否如果是,则执行在线社交网络数据节点i转化为IB状态,如果否,则执行在线社交网络数据节点i保持不变。
其中,δ1表示对A信息的遗弃率。
所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,优选的,所述S2还包括:
S2-6,当节点当前状态为传播B信息的IB状态时,其转换规则与2)类似,需同时考虑遗弃率和置换率。
S2-7,首先选取IB状态的在线社交网络数据节点i,生成第三随机数 Prand3∈(0,1),判断是否Prand3<δ2,如果是,则执行在线社交网络数据节点i转化为所有信息持抵制态度的遗弃状态节点的R状态,如果否,则统计在线社交网络数据节点i的IA状态的邻居节点数量IANum,计算IA向IB转换的转移概率生成第四随机数Prand4∈(0,1),判断是否如果是,则执行在线社交网络数据节点i转化为IA状态,如果否,则执行在线社交网络数据节点i保持不变。
其中,δ2表示对B信息的遗弃率。
所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,优选的,所述S2还包括:
S2-9,若节点状态为R状态,表明该节点已退出信息传播过程,属于最终状态而不再转化。
根据设定的实验参数,B信息强度大于A信息,其目的是观察强度更大的B信息能否在竞争中覆盖掉A信息。首先在t=0时发布A信息,该信息在网络中迅速扩散传播,被A信息覆盖的节点数峰值高达4541人,覆盖率为91%;然后在t=5时发布B信息,B信息紧接着在接下来的6个时间步内与A信息竞争;在t=11时,网络上A信息占绝对优势,覆盖率为86%,对B信息的传播扩散进行了有效抑制和替代。
所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,优选的,所述S2还包括:
S2-10,对于在线社交网络数据进行竞争性信息传播过程包括:
S-A,将在线社交网络数据进行初始换,将全部的在线社交网络数据节点i设置为S状态;
S-B,将发布的A信息中随机选取若干节点,设置为IA状态;将发布的B信息中随机选取若干节点,设置为IB状态;
S-C,统计相应的S状态的节点数为SCount、IA状态的节点数为IACount,IB状态的节点数为IBCount,判断是否满足如下条件:
(IACount>>IBCount或IBCount>>IACount)and SCount≈0,如果是,则结束进程,如果否,则设置节点i的计数器等于1,如果在线社交网络数据节点大于等于1,则选取第i个节点,判断节点i的状态;
S-D,当节点i为IA状态时,则执行IA状态节点的转化方法,当节点i为S状态时,则执行S状态节点的转化方法,当节点i为IB状态时,则执行IB状态节点的转化方法,全部方法执行完毕之后,更新节点i的计数器加1,直到达到在线社交网络数据全部的节点数。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
在小世界网络和无标度网络上进行动态模拟信息竞争和传播过程,通过实证对比实验对随机选定的二个热点事件的传播过程进行比对分析,实验结果表明,提出的竞争性信息传播宏观模型是合理、有效的,为在线社交网络上不同类型信息之间的竞争传播和网络演化研究提供了一种新的研究思路和方法。
从微观层面上揭示不同类型信息在传播扩散交界面上的交互、竞争、演化规律,从而进一步丰富和完善在线社交网络上竞争性信息传播的理论。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明数据结构节点状态转换示意图;
图2是本发明节点状态转化过程图;
图3是本发明S状态节点与IA,IB状态节点信息交互关系;
图4是本发明概率模型下的数值模拟示意图;
图5是本发明在线社交网络数据相对趋势变化示意图;
图6是本发明传播节点竞争转移和遗弃转移的变化趋势图;
图7是本发明S状态节点的转化算法流程图;
图8是本发明IA状态节点的转化算法流程图;
图9是本发明传播过程流程图;
图10是本发明方法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
本发明是基于在线社交网络的竞争性信息传播宏观模型CISIR(CompetitiveInformation Susceptible Infected Recovered)提出的技术方案。
如图1至3所示,λ1和λ2分别表示A信息和B信息的信息传播概率,刻画一个未传播任何信息状态下的节点对某种类型信息的响应程度,传播率越高,表示该节点有更高的可能性去选择传播该条信息。δ1和δ2分别表示对A信息和B信息的遗弃率,随着时间的推移,节点会逐渐对传播过的信息失去兴趣,在沉寂中慢慢遗忘。θ1和θ2分别表示A信息和B信息的置换率,即相互影响力,θ1越大,则表示B信息的吸引力更大,能把传播A信息的节点状态转化为传播B信息;反之,θ2越大,则表示A信息的吸引力更大,能把传播B信息的节点状态转化为传播A信息。
由上述转化规则可知,网络节点的状态空间C={S,IA,IB,R},每一个节点的状态转换是一个相对随机的过程,下一时刻的状态与该节点的历史状态无关,只与当前状态有关,也就是说节点的“将来”不依赖于“过去”,仅由“现在”决定,整个传播过程可以看成一个马尔可夫随机过程。因此,可用分布函数来描述节点状态转换的马尔可夫性,用X表示节点状态转换的随机变量,随机过程{X(t),t∈T}的状态空间为C,T为离散的时间序列集合,在条件X(ti)=xi,xi∈C下,X(tn)的条件分布函数恰等于在条件X(tn-1)=xn-1下X(tn)的条件分布函数,即
因此,竞争性信息传播过程本质上是每一个网络节点在状态空间C中不断进行状态转换的马尔可夫链。节点从状态u迁移到状态v的转移概率记为pij。
pij=P{X(tn)=v|X(tn-1)=u} (14)
由此可获得转移概率矩阵P。
X(tn)的状态
将竞争性信息传播模型的节点状态规则代入(15)式,则转移概率矩阵P可简化为X(tn)的状态
在竞争性信息传播过程,一个节点从S状态X(ts)=S出发,在ti时刻转化为IA状态X(ti)=IA或IB状态X(ti)=IB,再经过若干个时间步的竞争,最后在tn时刻转化为R 状态X(tn)=R,从此退出竞争而节点状态不再改变,直至传播过程结束,如图3所示。
在t∈(ti,tn)期间,由于A信息和B信息相互竞争,一个IA状态节点可能转化为 IB状态,或者一个IB状态节点可能转化为IA状态。在这个随机过程中,转移概率矩阵P只与节点状态和时间t有关,因此,竞争性信息传播过程是齐次的马尔可夫链,根据C-K方程(Chapman-Kolmogorov Equation)可知,节点状态的n步转移概率矩阵 P(n)为P(n)=Pn。
也就是说,竞争性信息传播过程中,n步转移概率矩阵P(n)是一步转移概率矩阵P的n次方。从而可知,竞争性信息传播过程中网络节点状态的分布可由初始分布与一步转移概率完全确定。
提出的宏观CISIR概率模型
网络节点的转移概率不仅与信息传播率λ1,λ2、信息遗弃率δ1,δ2、信息置换率θ1,θ2有关,而且与网络拓扑结构关系密切,对于网络拓扑结构有两种表示方式:
1)邻接矩阵;
2)节点度。
邻接矩阵表示了网络节点之间的邻接关系,本模型中将在线社交网络抽象为一个无向图,则邻接矩阵D是一个N阶方阵,其元素为
网络中某节点的邻边数量称为该节点的度,用k表示。网络拓扑结构的邻接矩阵表示方法与节点度表示方法二者本质上是等价的。邻接矩阵D与节点i的度ki满足如下函数关系式。
(18)式中,邻接矩阵二次幂D2的对角元素就是节点i的邻边数,即节点i的度。
下面分别考虑节点在不同状态下的转换概率。
1)S→IA,IB,节点从S状态转化为IA,IB状态。
假设t时刻一个S状态节点i同时与多IA,IB状态传播节点相邻,如图3所示,S 状态节点与IA,IB状态节点信息交互关系。
每一个IA状态节点成功将自身持有的A信息传播给节点i的概率为λ1,传播不成功的概率为1-λ1,如果相邻的所有IA状态节点均传播不成功的概率为λSS1,则t时刻λSS1(t)表示为
(19)式中,表示t时刻节点j为IA状态的概率。
同理,可得节点i的邻居节点中所有IB状态节点均传播不成功的概率λSS2为
(20)式中,表示t时刻节点j为IB状态的概率。
综合(19),(20)式可知,t时刻节点i无法接收到任何信息的概率λSS为
t时刻网络上S状态节点个数为S(t),用表示S状态节点无法接收到任何信息的概率的期望值,则
实际上,也表示S状态节点在下一时刻仍保持为S状态的概率,也就是转移概率矩阵P中的转移概率p11,即
由(19),(20)式易知,S状态节点转化为IA,IB状态的转移概率p12,p13可表示为
2)IA,IB→R,节点从IA,IB状态转化为R状态。
处于IA,IB状态的节点,随着时间的推移,节点会逐渐对信息失去兴趣,慢慢遗忘,IA,IB状态节点对信息的遗弃率分别为δ1,δ2。由于IA,IB状态节点转化到R状态与R状态节点无关,仅由IA,IB状态节点的遗弃率决定。因此,转移概率矩阵P中的转移概率p24,p34可取值为
p24=δ1 (26)
p34=δ2 (27)
3)IA→IB、IB→IA,节点从IA状态转化为IB状态,或从IB状态转化为IA状态。
在信息传播过程中,一个IA状态节点和一个IB状态节点进行竞争,在下一时刻都希望对方转化为本方相同的状态,这种竞争力度的大小取决于各自的置换率θ1,θ2。当t时刻在线社交网络上同时存在多个IA和IB状态节点,分别用IA(t),IB(t)表示它们的数量。根据1)中类似的方法,推导出转移概率矩阵P中的转移概率p22,p23,p32,p33分别为
至此,将各种状态之间的转移概率代入(15)式,即把转移概率矩阵P表示为:
将一个节点i的状态表示为则S,IA,IB,R状态节点的状态取值分别为(1,0,0,0)T,(0,1,0,0)T,(0,0,1,0)T,(0,0,0,1)T。因此,节点的状态变量是离散形随机变量,因而有节点在t时刻属于某一状态的概率可表示该种状态的数学期望,如式(33)所示。
其中,分别表示t时刻节点i属于S,IA,IB,R状态的概率,一个节点在某一时刻一定属于四种状态中的其中一种,因此,一定满足概率的规范性和可列可加性,即
根据移概率矩阵P,结合(33)式,通过平均场理论得到CISIR概率模型:
dij为网络节点邻接矩阵D中第i 行第j列的取值。
由概率模型可见,竞争性信息传播过程中网络节点状态转化不仅与信息传播率λ1,λ2、信息遗弃率δ1,δ2、信息置换率θ1,θ2有关,而且还受到网络结构的影响。
如图10所示,本发明公开一种用于在线社交网络数据挖掘模型数值机理有效性验证方法,包括如下步骤:
S1,获取在线社交网络数据,形成概率模型进行数据抽取,对于抽取后的网络数据进行数据模拟,形成概率模型的数据趋势,并发送到远程终端;
S2,对于在线社交网络数据进行传播模型提取,通过对不同在线社交网络数据状态的转化规律的分析之后,设定相应数据提取的判断阈值,从而预先判断在线社交网络数据的发展趋势,并将该在线社交网络数据发展趋势进行远程展示。
在网络系统中,未传播任何信息的S状态节点,要转化为传播信息的IA或IB状态节点,与两个因素有关。一是传播率λ1,λ2,体现了人们主动传播信息的意愿大小;二是网络拓扑结构,即S状态节点的邻居节点中存在IA或IB状态节点的数量,体现了可能接收到信息的路径多寡。为了观察这两个因素对节点状态转化的影响,根据转移概率矩阵P,考虑某个S状态节点同时存在na个IA状态、nb个IB状态的邻居节点,则以λ1为横轴、λ2为纵轴,以S状态节点成功接收到某一类型信息导致状态转移的概率为竖轴,绘制了S状态节点转移概率随λ1,λ2,na,nb的变化关系图,其中 na,nb分别取(1,1),(5,5),(10,2),(2,10),(0,5),(5,0),结果如图8所示。
由图4A-图4D可见,转移概率随λ1,λ2的增加呈线性增长,随na,nb的增加呈指数快速增长,如λ1>λ2时,节点向IA状态转移,反之,向IB状态转移。由图4C和4D 容易看出,邻居节点的数量可大大提高转移概率的权重,在na=10,nb=2情形下,S 状态节点向IA状态转移的概率很快达到1。说明在信息传播率一定的情况下,只要邻居节点中的处于信息传播状态的节点足够多时,那么该节点状态转移可看成是必然事件。当节点只接触到某一种信息,即λ1=0或λ2=0时,模型退化为传统SIR 模型,节点只向接触到的这种类型信息的节点状态转变。
系统中相邻节点处于不同信息传播状态时,比如一对邻居节点中其中一个节点处于IA状态,另一个节点处于IB状态,此时必将引起信息竞争,双方都希望用自身获取的信息去覆盖对方节点,驱赶对方原有信息。这种竞争力度的大小与信息置换率θ1,θ2和网络结构有关,在考虑邻居接点na,nb的情形下,na,nb分别取(1,1),(5, 5),(10,2),(2,10),(0,5),(5,0),以θ1为横轴、θ2纵轴、p23与p32之差的绝对值为竖轴绘图,体现出的相对变化关系如图5所示。
由图5A-图5F可见,节点在信息竞争中向对方状态转移的概率随θ1,θ2的增加呈线性增长,随na,nb的增加呈指数快速增长。从图4C-4D可以看出,网络结构对节点间的竞争关系影响重大,在na=10,nb=2情形下,竞争使节点转移到IA状态的概率远高于转移到IB状态的概率。当网络某种信息占有绝对优势时,信息竞争行为消失,即θ1=0或θ2=0,传播节点将快速向某一种状态单方向转化,整个网络舆论迅速统一,如图5-E-5F所示。
传播节点在受信息竞争影响的同时,也受节点本身信息遗弃率δ1,δ2的影响。比如一个IA状态节点受竞争影响可能转化为IB状态,也可能受遗忘效应的影响转化为 R状态。对于IA状态节点,将θ1视为横轴、δ1为纵轴、节点发生状态转移的概率为竖轴绘图,这种节点状态转移变化关系如图10所示,对于IB状态节点具有相似的变化关系。
由图6可见,一个IA状态传播节点转化为R状态的概率与遗弃率δ1呈线性关系;转化为IB状态的概率与置换率θ1呈指数关系,其主要原因仍然是受到网络结构的影响。当δ1,θ1两者比较小的状态下,节点保持原有状态,不进行转化。传播节点以遗弃率为概率从传播状态转化为R状态,一旦转化为R状态后就不再参与信息竞争。
小世界网络模型用来生成现实世界的人际网络或社交网络的一些特征,此类网络中每对节点间平均距离非常短,同时又具有较高的聚类系数。
小世界网络属于均匀网络,度分布服从幂律分布P(k)~αk-γ,γ为常量,一般 2<γ≤3,这种网络就称为无标度网络。此种网络最大的特点就是异质性,网络中大部分节点只与很少的其他节点相连接,而只有小部分节点与非常多的其他节点相连接。无标度网络的平均路径长度较小,聚类系数也较小。
首先给定initNodeNum=40个节点组成的最近邻耦合网络,然后每次加入一个新节点,新节点通过newLinks=30条新加入的边与网络中已有节点相连,新加入节点与已存在节点相连接的概率正比于已有节点的度。网络构建完成后,对节点度进行统计,发现该网络的度分布呈现以P(k)~20k-3幂律分布,
CISIR模型提供了信息传播过程中节点状态转换的规则,将这些规则分别应用到小世界网络和无标度网络开展传播过程模拟实验,输出传播过程中每个时刻网络状态的变化情况。
在整个传播过程中,节点的状态不断改变,每一时刻节点处于某一状态,那么不同的状态在往下一状态转化时其处理过程是不同的,下面将分别介绍不同状态节点的转化算法。
如图7所示,1)对于在线社交网络数据选取未传播任何信息节点的S状态的节点i,收集在线社交网络数据节点i收到A信息并积极传播的节点的IA网络状态的邻居节点数量IANum,同时收集在线社交网络数据节点i收到B信息并积极传播的节点的IB网络状态的邻居节点数量IBNum,收集完毕IAnum和IBnum之后,计算未传播任何信息节点的S状态向IA状态转换的转移概率和未传播任何信息节点的S状态向IB状态转换的转移概率然后生成原始随机数Prand∈(0,1),将转移概率和进行比较;
当时执行Prand和比较步骤,如果则在线网络数据节点i转化为IA状态,如果则在线网络数据节点i不发生变化;
当时执行比较步骤,如果则在线网络数据节点i转化为IB状态,如果则在线网络数据节点i不发生变化;
当时,读取在线社交网络数据信息偏好权重系数η,执行和比较步骤,如果则执行Prand和比较步骤,如果则在线网络数据节点i转化为IA状态,如果则在线网络数据节点i不发生变化;
如果则执行Prand和比较步骤,如果则在线网络数据节点i转化为IB状态,如果则在线网络数据节点i不发生变化;
上述步骤比较完毕后结束该步骤。
当节点当前状态为未传播任何信息的S状态时,节点在某一时刻接收不到任何信息,那么节点状态保持不变;当只接收到某一类型的信息,然后以一定的传播概率进行传播,当同时接收到两类信息,那么将对两类信息的传播可能性进行讨论和比较,因此,需分三种情况进行处理。
A.当只接收到信息A时,
B.当只接收到信息B时,
C.当同时接收到A信息和B信息两类信息时,需要更进一步的判断处理,对两类信息的传播可能性进行比较。
2)当节点当前状态为传播A信息的IA状态时,该节点有一定的遗弃率转化为R状态,同时还以一定的概率被B信息所取代而转化为IB状态。
如图8所示,首先选取IA状态的在线社交网络数据节点i,生成第一随机数 Prand1∈(0,1),判断是否Prand1<δ1,如果是,则执行在线社交网络数据节点i转化为所有信息持抵制态度的遗弃状态节点的R状态,如果否,则统计在线社交网络数据节点i的IB状态的邻居节点数量IBNum,计算IA向IB转换的转移概率生成第二随机数Prand2∈(0,1),判断是否如果是,则执行在线社交网络数据节点i转化为IB状态,如果否,则执行在线社交网络数据节点i保持不变。
其中,δ1表示对A信息的遗弃率,
3)当节点当前状态为传播B信息的IB状态时,其转换规则与2)类似,需同时考虑遗弃率和置换率。
首先选取IB状态的在线社交网络数据节点i,生成第三随机数Prand3∈(0,1),判断是否Prand3<δ2,如果是,则执行在线社交网络数据节点i转化为所有信息持抵制态度的遗弃状态节点的R状态,如果否,则统计在线社交网络数据节点i的IA状态的邻居节点数量IANum,计算IA向IB转换的转移概率生成第四随机数Prand4∈(0,1),判断是否如果是,则执行在线社交网络数据节点i转化为IA状态,如果否,则执行在线社交网络数据节点i保持不变。
其中,δ2表示对B信息的遗弃率,
4)若节点状态为R状态,表明该节点已退出信息传播过程,属于最终状态而不再转化。
根据设定的实验参数,B信息强度大于A信息,其目的是观察强度更大的B信息能否在竞争中覆盖掉A信息。首先在t=0时发布A信息,该信息在网络中迅速扩散传播,被A信息覆盖的节点数峰值高达4541人,覆盖率为91%;然后在t=5时发布B信息,B信息紧接着在接下来的6个时间步内与A信息竞争;在t=11时,网络上A信息占绝对优势,覆盖率为86%,对B信息的传播扩散进行了有效抑制和替代。
如图9所示,对于在线社交网络数据进行竞争性信息传播过程包括:
S-A,将在线社交网络数据进行初始换,将全部的在线社交网络数据节点i设置为S状态;
S-B,将发布的A信息中随机选取若干节点,设置为IA状态;将发布的B信息中随机选取若干节点,设置为IB状态;
S-C,统计相应的S状态的节点数为SCount、IA状态的节点数为IACount,IB状态的节点数为IBCount,判断是否满足如下条件:
(IACount>>IBCount或IBCount>>IACount)and SCount≈0,如果是,则结束进程,如果否,则设置节点i的计数器等于1,如果在线社交网络数据节点大于等于1,则选取第i个节点,判断节点i的状态;
S-D,当节点i为IA状态时,则执行IA状态节点的转化方法,当节点i为S状态时,则执行S状态节点的转化方法,当节点i为IB状态时,则执行IB状态节点的转化方法,全部方法执行完毕之后,更新节点i的计数器加1,直到达到在线社交网络数据全部的节点数。
为了进一步考察A,B信息竞争中相互置换对方的剧烈程度,统计每一个时间步内IA,IB状态节点向对方状态转化的数量,B信息发布后经过一个时间步的扩散传播后,随即开始大规模置换A信息,在t=7时达到峰值,之后由于小世界网络度的均匀性,B信息无法在短的时间内传播到达剩余的其它节点,所以置换的速度下降,直至t=13时,才达到一个暂时稳定状态,再往后就只受节点遗弃率的影响。在最终状态下,两种类型信息间相互置换对方的节点数量占网络节点总数量4%左右。如果不考虑节点自身遗忘因素的影响,传播开始后,在t=13处是一个全局平衡点,可使网络达到稳定状态。
无标度网络上B信息对A信息置换强度更大,速度更快。在t=9时,A信息扩散至网络的大部分范围,传播达到一个近似稳定的状态。再单独考察A,B信息之间的竞争情况,在t=5发布B信息后,只用3个时间步就完成了几乎所有A信息节点的置换。说明在无标度网络上,信息十分活跃,传播速度快、范围广,这是由于二个原因引起的。一是无标度网络与同等规模的小世界网络相比,具有更小的平均路径长度;二是无标度网络具有异质性,网络节点度分布严重的不均匀性引起。
B信息发布的时间早晚,决定了A信息传播扩散的范围,也就是说,B信息在网络中开始传播时,网络中节点的传播状态分布会因其相对A信息滞后发布程度的不同而有很大不同。为了观察这种差异,设定实验参数A信息的发布时间ta=0,B信息的发布时间分别为tb=0,2,5,10,20五个不同的时滞值,传播率、置换率参数取值如表14所示,同时忽略节点遗忘率因素,即令δ1=0,δ2=0,开展实验研究此现象。为了避免实验受随机性的影响,在取定每一个tb值的情况下,独立重复仿真100次,最后对实验数据取平均值,因此,这100次实验过程可看成是独立同分布的,提高了实验结果的说服力。
在小世界网络上,根据传播过程的总体网络节点状态分布演化情况,为了更清晰地展现A信息在竞争中被抑制,分别单独给出了不同时间间隔的控制信息发布时间点下A信息、B信息的传播情况,
当ta=0,tb=0时,A,B信息同时发布,属于信息竞争同步传播模式。由于B信息对A信息的置换率θ1=0.6,而A信息对B信息的置换率θ2=0.4,θ1大于θ2且是θ2的1.5倍,因此,B信息的强度远高于A信息,A信息一开始传播便受到B信息的压制,直至传播过程结束A信息的覆盖面都被限制在30个节点以内。
当ta=0,tb=2,5,10,20时,A,B信息的发布存在时间差,属于信息竞争异步传播模式。B信息发布得越早,越能迅速抑制A信息的传播,控制其传播范围,减小影响面,将网络舆情消灭在初期增长阶段;反之,B信息发布得越晚,A信息的扩散范围越广,受影响的节点数量越多。从图中还可以发现,异步竞争传播模式下,即 tb=2,5,10,20时的传播效果,网络传播进入稳定态后,四条曲线几乎完全重合,说明只要传播时间足够长,B信息抑制A信息传播扩散的最终效果是一样的。
再用同样的实验方法和实验参数在无标度网络上进行仿真,为了更清晰地展现A信息被抑制的情况,分别单独给出了不同时间间隔的控制信息发布时间点下A信息、 B信息的传播情况,
在无标度网络上,不管是同步竞争传播模式,还是异步竞争传播模式,对A信息控制和抑制效果都是类似的,仅仅是在抑制的速度和A信息残留的数量上略有差别。比如在ta=0,tb=0时,稳定态时A信息在无标度网络上残留的节点数158个,高于小世界网络中的28个。引起这种细微差别的原因,仍然是由于无标度网络中度的不均匀性造成,当A信息覆盖了某些节点度非常大的节点时,B信息对A信息就难以置换和替代。
B信息发布时刻不同,A信息竞争的初始传播覆盖范围就会不同,A信息竞争的初始传播扩散范围会随着B信息发布时间间隔的增长呈一个类似对数函数的增长态势,B信息发布时间间隔越长,A信息的覆盖范围越大,增长也越发平稳。因此,如果想通过B信息的发布去抑制A信息的传播,则需要尽早发布,当一个信息在网络上蔓延时,对其控制的措施要及时,等到蔓延的范围很广时,管控该信息所付出的成本将大大提高。
真实统计数据中B信息的传播数据出现两次峰值Q1,Q2点,与仿真结果数据差异较大,是因为在真实在线社交网络中,网民规模巨大而且是开放的系统,导致Q1点传播峰值极高;而CISIR模型的实验网络规模较小而且是封闭的,不可能产生这种奇点。Q2峰值的出现是由于官方部门对该事件的后续处理并发布相关信息所造成,
在线社交网络上普遍存在同一事件产生的多种不同类型信息同时在网络中传播的情形,这些信息之间往往存在着正相关或负相关的特性,本文提出的CISIR模型主要是为了揭示不同类型信息之间的负相关性,即后发布的信息如何与先前发布的信息进行竞争,最终达到完全抑制先发信息的目的。信息间的竞争是借助于网络节点实现的,本文深入研究了节点状态转换的内部机制,从概率侧面构建了概率模型,考察节点状态随时间不断转化的规律,从统计侧面构建了传播模型,考察不同类型信息在传播过程覆盖面的大小,并通过数值模拟、仿真分析、实证对比一系列实验,证明了该模型的合理性和准确性。可将该模型的研究成果应用到广告定向投放、商品推荐系统、网络传播辟谣和社会舆情引导等领域,与具体应用场景相结合,能够快速地将其转化为生产力。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种用于在线社交网络数据挖掘模型数值机理有效性验证方法,其特征在于,包括如下步骤:
S1,获取在线社交网络数据,形成概率模型进行数据抽取,对于抽取后的小世界网络数据进行数据模拟,形成概率模型的数据趋势,并发送到远程终端;
所述概率模型为:
dij为网络节点邻接矩阵D中第i行第j列的取值;
由概率模型可见,竞争性信息传播过程中网络节点状态转化不仅与信息传播率λ1,λ2、信息遗弃率δ1,δ2、信息置换率θ1,θ2有关,而且还受到网络结构的影响;
转移概率矩阵P表示为:
表示t时刻节点j为IA状态的概率;表示t时刻节点j为IB状态的概率;分别表示t时刻节点i属于S,IA,IB,R状态的概率;t时刻网络上S状态节点个数为S(t);当t时刻在线社交网络上同时存在多个IA和IB状态节点,分别用IA(t),IB(t)表示它们的数量;IA,IB状态节点对信息的遗弃率分别为δ1,δ2;在线社交网络数据节点i转化为所有信息持抵制态度的遗弃状态节点的R状态;若节点状态为R状态,表明该节点已退出信息传播过程,属于最终状态而不再转化;
S1-1,根据转移概率矩阵P,考虑某个S状态节点同时存在na个IA状态、nb个IB状态的邻居节点,则以λ1为横轴、λ2为纵轴,以S状态节点成功接收到某一类型信息导致状态转移的概率为竖轴,绘制了S状态节点转移概率随λ1,λ2,na,nb的变化关系图;λ1和λ2分别表示A信息和B信息的信息传播概率;
S1-2,转移概率随λ1,λ2的增加呈线性增长,随na,nb的增加呈指数快速增长,当λ1>λ2时,节点向IA状态转移,反之,向IB状态转移,在na=10,nb=2情形下,S状态节点向IA状态转移的概率很快达到1,当节点只接触到某一种信息,即λ1=0或λ2=0时,节点只向接触到的这种类型信息的节点状态转变;
S1-3,节点在信息竞争中向对方状态转移的概率随θ1,θ2的增加呈线性增长,随na,nb的增加呈指数快速增长,在na=10,nb=2情形下,竞争使节点转移到IA状态的概率远高于转移到IB状态的概率,当在线社交网络数据信息中一类数据信息占有绝对优势时,信息竞争行为消失,即θ1=0或θ2=0,传播节点将快速向某一种状态单方向转化,整个网络舆论迅速统一;θ1和θ2分别表示A信息和B信息的置换率;
S2,对于在线社交网络数据进行传播模型提取,通过对不同在线社交网络数据状态的转化规律的分析之后,设定相应数据提取的判断阈值,从而预先判断在线社交网络数据的发展趋势,并将该在线社交网络数据发展趋势进行远程展示;
所述传播模型为:节点从状态u迁移到状态v的转移概率记为pij;
pij=P{X(tn)=v|X(tn-1)=u},
S2-1,根据传播模型所提取的在线社交网络数据,度k的分布服从幂律分布P(k)~αk-γ,γ为常量,无标度网络的平均路径长度较小,聚类系数也较小;
S2-2,在整个传播过程中,节点的状态不断改变,每一时刻节点处于某一状态,那么不同的状态在往下一状态转化时其处理过程是不同的;
所述S2-2包括:
S2-A,对于在线社交网络数据选取未传播任何信息节点的S状态的节点i,收集在线社交网络数据节点i收到A信息并积极传播的节点的IA网络状态的邻居节点数量IANum,同时收集在线社交网络数据节点i收到B信息并积极传播的节点的IB网络状态的邻居节点数量IBNum,收集完毕IAnum和IBnum之后,计算未传播任何信息节点的S状态向IA状态转换的转移概率和未传播任何信息节点的S状态向IB状态转换的转移概率然后生成原始随机数Prand∈(0,1),将转移概率和进行比较;
S2-B,当时执行Prand和比较步骤,如果则在线网络数据节点i转化为IA状态,如果则在线网络数据节点i不发生变化;
S2-C,当时执行Prand和比较步骤,如果则在线网络数据节点i转化为IB状态,如果则在线网络数据节点i不发生变化;
S2-D,当时,读取在线社交网络数据信息偏好权重系数η,执行和比较步骤,如果则执行Prand和比较步骤,如果则在线网络数据节点i转化为IA状态,如果则在线网络数据节点i不发生变化;
S2-E,如果则执行Prand和比较步骤,如果则在线网络数据节点i转化为IB状态,如果则在线网络数据节点i不发生变化;
S2-3,当节点当前状态为未传播任何信息的S状态时,节点在某一时刻接收不到任何信息,那么节点状态保持不变;当只接收到某一类型的信息,然后以一定的传播概率进行传播;
S3,根据S1和S2中关于A,B信息传播和置换进行有效性验证。
2.根据权利要求1所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,其特征在于,所述S2-3包括:
S2-F,当只接收到信息A时,
S2-G,当只接收到信息B时。
3.根据权利要求1所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,其特征在于,所述S2还包括:
S2-4,当节点当前状态为传播A信息的IA状态时,该节点有一定的遗弃率转化为R状态,同时还以一定的概率被B信息所取代而转化为IB状态;
S2-5,首先选取IA状态的在线社交网络数据节点i,生成第一随机数Prand1∈(0,1),判断是否Prand1<δ1,如果是,则执行在线社交网络数据节点i转化为所有信息持抵制态度的遗弃状态节点的R状态,如果否,则统计在线社交网络数据节点i的IB状态的邻居节点数量IBNum,计算IA向IB转换的转移概率生成第二随机数Prand2∈(0,1),判断是否如果是,则执行在线社交网络数据节点i转化为IB状态,如果否,则执行在线社交网络数据节点i保持不变;
其中,δ1表示对A信息的遗弃率。
4.根据权利要求3所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,其特征在于,所述S2还包括:
S2-6,当节点当前状态为传播B信息的IB状态时,其转换规则与S2-4类似,需同时考虑遗弃率和置换率;
S2-7,首先选取IB状态的在线社交网络数据节点i,生成第三随机数Prand3∈(0,1),判断是否Prand3<δ2,如果是,则执行在线社交网络数据节点i转化为所有信息持抵制态度的遗弃状态节点的R状态,如果否,则统计在线社交网络数据节点i的IA状态的邻居节点数量IANum,计算IA向IB转换的转移概率生成第四随机数Prand4∈(0,1),判断是否如果是,则执行在线社交网络数据节点i转化为IA状态,如果否,则执行在线社交网络数据节点i保持不变;
其中,δ2表示对B信息的遗弃率。
5.根据权利要求1所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,其特征在于,所述S2还包括:
S2-9,若节点状态为R状态,表明该节点已退出信息传播过程,属于最终状态而不再转化;
根据设定的实验参数,B信息强度大于A信息,其目的是观察强度更大的B信息能否在竞争中覆盖掉A信息;首先在t=0时发布A信息,该信息在网络中迅速扩散传播,被A信息覆盖的节点数峰值高达4541人,覆盖率为91%;然后在t=5时发布B信息,B信息紧接着在接下来的6个时间步内与A信息竞争;在t=11时,网络上A信息占绝对优势,覆盖率为86%,对B信息的传播扩散进行了有效抑制和替代。
6.根据权利要求1所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,其特征在于,所述S2还包括:
S2-10,对在线社交网络数据进行竞争性信息传播的过程。
7.根据权利要求6所述的用于在线社交网络数据挖掘模型数值机理有效性验证方法,其特征在于,所述S2-10包括:
S-A,将在线社交网络数据进行初始化,将全部的在线社交网络数据节点i设置为S状态;
S-B,将发布的A信息中随机选取若干节点,设置为IA状态;将发布的B信息中随机选取若干节点,设置为IB状态;
S-C,统计相应的S状态的节点数为SCount、IA状态的节点数为IACount,IB状态的节点数为IBCount,判断是否满足如下条件:
(IACount>>IBCount或IBCount>>IACount)and SCount≈0,如果是,则结束进程,如果否,则设置节点i的计数器等于1,如果在线社交网络数据节点大于等于1,则选取第i个节点,判断节点i的状态;
S-D,当节点i为IA状态时,则执行IA状态节点的转化方法,当节点i为S状态时,则执行S状态节点的转化方法,当节点i为IB状态时,则执行IB状态节点的转化方法,全部方法执行完毕之后,更新节点i的计数器加1,直到达到在线社交网络数据全部的节点数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811352786.8A CN109376195B (zh) | 2018-11-14 | 2018-11-14 | 用于在线社交网络数据挖掘模型数值机理有效性验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811352786.8A CN109376195B (zh) | 2018-11-14 | 2018-11-14 | 用于在线社交网络数据挖掘模型数值机理有效性验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376195A CN109376195A (zh) | 2019-02-22 |
CN109376195B true CN109376195B (zh) | 2019-11-05 |
Family
ID=65389036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811352786.8A Active CN109376195B (zh) | 2018-11-14 | 2018-11-14 | 用于在线社交网络数据挖掘模型数值机理有效性验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376195B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934727B (zh) * | 2019-03-19 | 2022-08-30 | 青岛大学 | 网络谣言传播抑制方法、装置、设备及可读存储介质 |
CN112102960B (zh) * | 2020-11-20 | 2021-03-05 | 中国传媒大学 | 基于动力学的延迟交叉信息传播分析方法及系统 |
CN114628038B (zh) * | 2022-03-11 | 2022-08-26 | 电子科技大学 | 一种基于在线社交网络的skir信息传播方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156809A (zh) * | 2015-04-24 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 用于更新分类模型的方法及装置 |
CN106484846A (zh) * | 2016-09-30 | 2017-03-08 | 广州特道信息科技有限公司 | 一种网络舆情大数据的监控方法 |
CN108231201A (zh) * | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、系统及应用 |
CN108563686A (zh) * | 2018-03-14 | 2018-09-21 | 中国科学院自动化研究所 | 基于混合神经网络的社交网络谣言识别方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8473437B2 (en) * | 2010-12-17 | 2013-06-25 | Microsoft Corporation | Information propagation probability for a social network |
CN107171835A (zh) * | 2017-05-08 | 2017-09-15 | 浙江大学城市学院 | 一种基于dwm 的社会信息传播与预测的仿真方法 |
-
2018
- 2018-11-14 CN CN201811352786.8A patent/CN109376195B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156809A (zh) * | 2015-04-24 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 用于更新分类模型的方法及装置 |
CN106484846A (zh) * | 2016-09-30 | 2017-03-08 | 广州特道信息科技有限公司 | 一种网络舆情大数据的监控方法 |
CN108231201A (zh) * | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、系统及应用 |
CN108563686A (zh) * | 2018-03-14 | 2018-09-21 | 中国科学院自动化研究所 | 基于混合神经网络的社交网络谣言识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
Modeling information dissemination and evolution in time-varying online social network based on thermal diffusion motion;Xiaoyang Liu 等;《 Physica A: statistical mechanics and its applications》;20180706;第456-476页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109376195A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109462506B (zh) | 一种在线社交网络数据竞争性信息提取传播工作方法 | |
CN109376195B (zh) | 用于在线社交网络数据挖掘模型数值机理有效性验证方法 | |
Tong et al. | Adaptive influence maximization in dynamic social networks | |
CN103647714B (zh) | 一种基于社交能量的移动社交容迟网络路由方法 | |
Stehlé et al. | Dynamical and bursty interactions in social networks | |
CN110134146A (zh) | 一种不确定环境下的分布式多无人机任务分配方法 | |
CN103595623B (zh) | 基于移动社交网络节点社会特性的机会路由行为建模方法 | |
CN115333956B (zh) | 一种多联盟非合作博弈的多智能体状态控制方法 | |
CN103647671A (zh) | 一种基于Gur Game的群智感知网络管理方法及其系统 | |
CN108334953B (zh) | 一种基于权重更新的社交网络信任度学习方法 | |
CN111222029A (zh) | 一种网络舆情信息传播中关键节点选择方法 | |
CN106095555A (zh) | 基于蚁群算法的wsan中执行器任务调度方法 | |
CN101616074B (zh) | 基于量子进化的组播路由优化方法 | |
CN105404943A (zh) | 一种面向移动社交环境的用户行为预测方法 | |
CN102982236B (zh) | 一种通过网络用户建模的观点预测方法 | |
CN109410078A (zh) | 一种适用于面向文件共享的移动社交网络的信息传播预测方法 | |
CN106936905A (zh) | 基于openstack的Nova组件虚拟机的调度方法及其调度系统 | |
Kulkarni et al. | Probability collectives for solving truss structure problems | |
CN103218477B (zh) | 网络观点传播与预测方法 | |
Liu et al. | Power rationing for tradeoff between energy consumption and profit in multimedia heterogeneous networks | |
CN109525428B (zh) | 基于在线社交网络数据的竞争性信息传播概率模型挖掘构建方法 | |
CN110061863B (zh) | 一种稀疏网络中基于公平性的分布式多任务群智感知方法 | |
CN109446713A (zh) | 针对在线社交网络数据提取后的稳定性判别方法 | |
Šuvakov et al. | Collective emotion dynamics in chats with agents, moderators and Bots | |
Ye et al. | Effect of network topology on the evolutionary ultimatum game based on the net-profit decision |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220425 Address after: 518000 204c, floor 2, building 2, Meilin Duoli Industrial Zone, North Ring Road, Meifeng community, Meilin street, Futian District, Shenzhen, Guangdong Province Patentee after: Shenzhen Chuanghong Information Technology Co.,Ltd. Address before: No.69 Hongguang Avenue, Banan District, Chongqing Patentee before: Chongqing University of Technology |