CN110738421B - 一种基于传播最短路径的多层网络用户影响力度量方法 - Google Patents

一种基于传播最短路径的多层网络用户影响力度量方法 Download PDF

Info

Publication number
CN110738421B
CN110738421B CN201910988711.7A CN201910988711A CN110738421B CN 110738421 B CN110738421 B CN 110738421B CN 201910988711 A CN201910988711 A CN 201910988711A CN 110738421 B CN110738421 B CN 110738421B
Authority
CN
China
Prior art keywords
propagation
influence
users
user
network
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
Application number
CN201910988711.7A
Other languages
English (en)
Other versions
CN110738421A (zh
Inventor
高超
孙美辰
陈建君
李向华
王震
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.)
Southwest University
Original Assignee
Southwest 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 Southwest University filed Critical Southwest University
Priority to CN201910988711.7A priority Critical patent/CN110738421B/zh
Publication of CN110738421A publication Critical patent/CN110738421A/zh
Application granted granted Critical
Publication of CN110738421B publication Critical patent/CN110738421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/02—Topology update or discovery
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于传播最短路径的多层网络用户影响力度量方法，属于社交网络和传播动力学领域。利用多层网络结构来刻画信息的多通道传播特征，同时为克服用户影响力度量过程中出现的重叠影响问题，定义了一种多层网络有效传播最短路径。通过将有效传播最短路径与用户中心性度量指标结合，提出一种可降低重叠影响力的多用户传播影响力度量指标，以此确定并选择一组具有最大传播影响力的用户。最后，利用SIR信息传播模型验证所提方法在传播影响力方面优于传统方法。本方法通过度量多个用户的综合传播影响力来降低重叠影响力的影响，并将其应用在多通道社交网络中，在社交媒体广告投放、信息推荐系统中具有重要的现实意义和应用价值。

Description

一种基于传播最短路径的多层网络用户影响力度量方法
技术领域
本发明属于社交网络和传播动力学领域，涉及一种基于传播最短路径的多层网络用户影响力度量方法。
背景技术
在线社交网络的发展创造了一种新的信息交互媒介，并形成了一种新的信息传播环境，产生了大量用户行为数据。基于这些数据，可探究网络用户的行为模式。例如，用户个人意见或决定受到邻居或朋友的影响这一事实对新产品或品牌的受欢迎程度产生了巨大影响。鉴于个体行为的差异，挖掘有影响力的用户对加速营销过程中的信息传播有着重要意义和应用前景。这类应用场景的关键问题是：如何有效度量用户的影响力并挖掘具有较大影响力的用户(即中心用户)。由于中心用户在传播过程中对信息的扩散规模起着关键作用，对广告商实施有效的推广策略有着重要影响，因此当我们选择中心性指标(如度数或介数等)较高的用户进行广告的投放时，广告的扩散速度将更快和规模将更大，能最大程度起到品牌推广效果。
虽然网络传播动力学受到越来越多的关注，但大多数研究仍然停留在单层网络中。然而，网络用户通常拥有多个社交帐户，例如国内的微信，QQ，微博；国外的Twitter，Facebook和Instagram。而单层网络忽略了用户的多账号特征，无法反映多账号之间的链接关系，进而无法准确刻画信息传播的时空特性。最近，网络科学研究领域出现一种名为“多层网络”的新型网络。在这种网络中，多个子网络相互耦合，并且顶点在各层之间具有多种不同类型的链路。由于信息传播的多通道特性，多层网络可准确地刻画社交媒体信息传播的结构特征和交互特征。
用户的影响力度量通常基于网络中心性排名。在过去的几年中，多层网络的中心性度量指标引起了人们的广泛讨论，期望找到一种有效度量指标，解决多层网络中的用户影响力排名问题。然而，基于网络中心性的度量方法仅考虑网络的结构特征，并未解决所选用户之间由于所处位置较近带来的重叠影响力问题。这种重叠影响力是传播过程中的普遍现象，无法促进传播规模的最大化。例如，两个具有高中心性的用户在社交媒体中有很多共同朋友，如果将有限的广告资金投放到这两个用户上，让他们在社交媒体中进行信息推广，不仅他们的共同朋友将接收冗余信息，而且由于资金限制，也必定影响广告的整体推广规模。这种不同信息推广者影响一组相同用户的现象被视为重叠影响力。
具体来说，多个用户的综合传播影响力不等于每个用户的影响力相加总和。因此，找到一组影响最大的用户是网络科学研究领域的难题。目前，已经确认用户之间的距离会影响传播效率，尤其是当用户数量很大时。此外，不同层的不同传播速率对于传播规模非常重要。通过分析这些特征，我们考虑通过降低一组高中心性节点的重叠影响力来实现信息传播最大化目标。
发明内容
有鉴于此，本发明的目的在于提供一种基于传播最短路径的多层网络用户影响力度量方法，既考虑网络用户的结构特性，又考虑所选用户之间的相对位置，可有效降低所选用户之间的重叠影响力对传播的影响。具体而言，结构属性代表中心性指标，位置分布取决于有效传播最短路径。有效传播最短路径定义为利用传播过程中传播速率来量化多层网络中用户之间的相对距离。首先，通过耦合这两个指标来度量网络用户在传播过程中的传播影响力，以找到一组有影响力的用户为目标，而非以度量单一用户的影响力为目标。而后，利用SIR信息传播模型验证所提方法在传播影响力方面优于传统方法。最后，将本发明的方法应用到社交网络中，能够成功的挖掘网络中一组最具影响力的用户群体，这将对制定品牌推广策略，投放广告等具有重大现实意义。
为达到上述目的，本发明提供如下技术方案：
一种基于传播最短路径的多层网络用户影响力度量方法，该方法包括以下步骤：
S1：输入多层网络G＝{G1,G2,...,Gm}并初始化各种参数；
S2：计算多层网络下所有用户的中心性；
S3：基于单层网络中的SIR信息传播模型，定义在多层网络中信息传播源的传播特征；
S4：基于多层网络中的传播速率λ，计算所有用户间的有效最短传播路径；
设用户x在α层，用户y在β层，则x到y的一条路径p表示为其中P为路径的集合；多层网络中的最短路径定义如下：
在多层网络中，提出一种基于传播速率的有效传播最短路径，传播速率定义如下：
其中，γ∈{1,2,...,L}代表层数，μγ和δγ分别代表γ层中的感染率和恢复率；假设有多条从α层中的用户x到β层中的用户y的路径路径中的每一条连接边(i,j)γ都可能出现在不同层中；多层网络中的有效传播最短路径对应连接边的传播速率相乘为最大：
转换为：
有效传播最短路径通过求解路径上连接边的传播速率倒数的对数相加的最小值得到，定义为：
S5：综合S2和S4中得到的多层网络用户的中心性和用户间的有效传播最短路径，计算多个用户的综合传播影响力如下：
其中S代表待评估综合传播影响力的一组用户，cx为用户中心性，为用户间有效传播最短路径的长度；用户的中心性越高同时用户间的相对距离越大，那么用户之间的重叠影响力越小，综合传播影响力Φ越大；
S6：基于S5中的综合传播影响力指标，通过贪婪算法计算多层网络中综合传播影响力最大的K个用户：
其中N表示网络中用户总数；在初始时刻，选取用户中心性最高的K个用户，并将其作为SIR信息传播模型中的传播源集合S；在每个时刻，将新用户取代用户集合S中的一个用户，计算综合传播影响力，如果影响力增大，则保留该用户，循环直到影响力不再增大为止，认定该用户集合的综合传播影响力最大；
S7：将计算后选取的S用户作为初始传播用户，在SIR信息传播模型中进行仿真实验，通过最终的传播规模验证本方法有效性。
本发明的有益效果在于：
鉴于同一用户可以拥有多个社交媒体账号，而用户发布的信息可同时在多个社交媒体中交叉传播，因此信息在社交网络中存在多通道传播特性。本发明的基于有效传播最短路径的多层网络用户影响力度量方法与现有的技术相比，现有的技术主要针对单个用户的影响力进行排序，没有对多个传播源用户的综合传播影响力进行定义，这将导致严重的重叠传播现象。此外，由于大多数技术主要停留在单层网络中，忽略了真实世界中信息传播的多通道特性和多层网络结构引起的传播时空变化复杂性。本发明定义多层网络中的有效传播最短路径对用户间的相对距离进行度量，结合多层网络中用户的中心性特征，提出多通道网络中多个用户的综合传播影响力，并采用贪婪算法选取并输出综合传播影响力最大的一组用户，本发明的方法在人工和真实的社交网络中传播速度和传播规模优于传统方法，具有更广泛的应用价值。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明的流程图；
图2为重叠影响力的详细图解；
图3为多通道社交网络信息传播特征图解；
图4为多层网络中有效传播最短路径图解；
图5为基于有效传播最短路径的多层网络用户影响力度量方法有效性图解；
图6展示了本发明方法及其对应的四种中心性方法(OI-addPR,OI-aggDeg,OI-clyBC,OI-verPR)在2个人工网络(ER-ER,BA-BA)和4个真实网络(HOMO，Drosophila，ArXiv，NYClimateMarch)中随时刻变化的传播影响力结果。选取的传播源用户比例为20％，两层网络中的传播速率分别为0.1和0.05；
图7展示了本发明方法及其对应的四种中心性方法(OI-addPR,OI-aggDeg,OI-clyBC,OI-verPR)在2个人工网络(ER-ER,BA-BA)和4个真实网络(HOMO，Drosophila，ArXiv，NYClimateMarch)中随初始传播源比例变化的最终传播影响力结果。两层网络中的传播速率分别为0.1和0.05；
图8展示了本发明方法及其对应的四种中心性方法(OI-addPR,OI-aggDeg,OI-clyBC,OI-verPR)在4个真实网络(HOMO，Drosophila，ArXiv，NYClimateMarch)中随网络层的传播速率变化的最终传播影响力结果。选取的传播源用户比例为20％。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
图1是本发明实施方式的流程图；
表1展示了测试数据集的规模、类型和网络层规模设置：
表1测试数据集和网络层规模设置
网络 数据集 节点数 边数 层数 类型
G1 ER-ER 4000 75863 2 随机网络
G2 BA-BA 5000 34971 2 无标度网络
G3 HOMO 1258 12064 2 基因网络
G4 Drosophila 1356 7452 2 基因网络
G5 ArXiv 3885 20047 2 合作网络
G6 NYClimateMarch 4150 40328 2 社交网络
图2为重叠影响力的详细图解；
图3为多通道社交网络信息传播特征图解；
图4为多层网络中有效传播最短路径图解；
图5为基于有效传播最短路径的多层网络用户影响力度量方法有效性图解；
图6展示了本发明方法及其对应的四种中心性方法(OI-addPR,OI-aggDeg,OI-clyBC,OI-verPR)在2个人工网络(ER-ER,BA-BA)和4个真实网络(HOMO，Drosophila，ArXiv，NYClimateMarch)中随时刻变化的传播影响力结果。选取的传播源用户比例为20％，两层网络中的传播速率分别为0.1和0.05。横坐标为传播的时间步长，纵坐标为传播影响力F(t)，即感染用户与恢复用户比例。实验表明本发明算法(OI-)与其他中心性方法相比，传播速度和最终的传播规模更好。
图7展示了本发明方法及其对应的四种中心性方法(OI-addPR,OI-aggDeg,OI-clyBC,OI-verPR)在2个人工网络(ER-ER,BA-BA)和4个真实网络(HOMO，Drosophila，ArXiv，NYClimateMarch)中随初始传播源比例变化的最终传播影响力结果。两层网络中的传播速率分别为0.1和0.05。横坐标为初始传播源用户的数量比例，纵坐标为当传播达到稳定状态时的最大传播影响力MI。实验表明，在不同的传播源用户数目情况下，本发明方法的传播效率始终高于传统的中心性方法，实际上随着用户数目的增大，本方法的优势越来越明显。
图8展示了本发明方法及其对应的四种中心性方法(OI-addPR,OI-aggDeg,OI-clyBC,OI-verPR)在4个真实网络(HOMO，Drosophila，ArXiv，NYClimateMarch)中随网络层的传播速率变化的最终传播影响力结果。选取的传播源用户比例为20％。横坐标为两层网络的传播速率比值r，纵坐标为当传播达到稳定状态时的最大传播影响力MI。实验表明本发明方法能在不同的传播速率情况下达到更大的传播规模，具有更大的传播影响力。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于传播最短路径的多层网络用户影响力度量方法，其特征在于：该方法包括以下步骤：
S1：输入多层网络G＝{G1,G2,...,Gm}并初始化各种参数；
S2：计算多层网络下所有用户的中心性；
S3：基于单层网络中的SIR信息传播模型，定义在多层网络中信息传播源的传播特征；
S4：基于多层网络中的传播速率λ，计算所有用户间的有效最短传播路径；
设用户x在α层，用户y在β层，则x到y的一条路径p表示为其中P为路径的集合；多层网络中的最短路径定义如下：
在多层网络中，提出一种基于传播速率的有效传播最短路径，传播速率定义如下：
其中，γ∈{1,2,...,L}代表层数，μγ和δγ分别代表γ层中的感染率和恢复率；假设有多条从α层中的用户x到β层中的用户y的路径路径中的每一条连接边(i,j)γ都可能出现在不同层中；多层网络中的有效传播最短路径对应连接边的传播速率相乘为最大：
转换为：
有效传播最短路径通过求解路径上连接边的传播速率倒数的对数相加的最小值得到，定义为：
S5：综合S2和S4中得到的多层网络用户的中心性和用户间的有效传播最短路径，计算多个用户的综合传播影响力如下：
其中S代表待评估综合传播影响力的一组用户，cx为用户中心性，为用户间有效传播最短路径的长度；用户的中心性越高同时用户间的相对距离越大，那么用户之间的重叠影响力越小，综合传播影响力Φ越大；
S6：基于S5中的综合传播影响力指标，通过贪婪算法计算多层网络中综合传播影响力最大的K个用户：
其中N表示网络中用户总数；在初始时刻，选取用户中心性最高的K个用户，并将其作为SIR信息传播模型中的传播源集合S；在每个时刻，将新用户取代用户集合S中的一个用户，计算综合传播影响力，如果影响力增大，则保留该用户，循环直到影响力不再增大为止，认定该用户集合的综合传播影响力最大；
S7：将计算后选取的S用户作为初始传播用户，在SIR信息传播模型中进行仿真实验，通过最终的传播规模验证本方法有效性。
CN201910988711.7A 2019-10-17 2019-10-17 一种基于传播最短路径的多层网络用户影响力度量方法 Active CN110738421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910988711.7A CN110738421B (zh) 2019-10-17 2019-10-17 一种基于传播最短路径的多层网络用户影响力度量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910988711.7A CN110738421B (zh) 2019-10-17 2019-10-17 一种基于传播最短路径的多层网络用户影响力度量方法

Publications (2)

Publication Number Publication Date
CN110738421A CN110738421A (zh) 2020-01-31
CN110738421B true CN110738421B (zh) 2023-08-22

Family

ID=69268149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910988711.7A Active CN110738421B (zh) 2019-10-17 2019-10-17 一种基于传播最短路径的多层网络用户影响力度量方法

Country Status (1)

Country Link
CN (1) CN110738421B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112769697B (zh) * 2020-12-22 2022-08-23 广州技象科技有限公司 多用户接入的传输路径分配方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101770487A (zh) * 2008-12-26 2010-07-07 聚友空间网络技术有限公司 社交网络中用户影响力的计算方法和系统
CN104484825A (zh) * 2014-12-05 2015-04-01 上海师范大学 社交网络社区影响力评估算法
CN105528407A (zh) * 2015-12-04 2016-04-27 杭州师范大学 一种获取l个具有最佳传播影响力用户的方法和装置
CN106780073A (zh) * 2017-01-11 2017-05-31 中南大学 一种考虑用户行为和情感的社会网络影响力最大化初始节点选取方法
CN107888422A (zh) * 2017-11-27 2018-04-06 石家庄铁道大学 社区网络可信节点层间交互的分析方法
CN108182640A (zh) * 2017-12-29 2018-06-19 山东浪潮云服务信息科技有限公司 一种基于用户行为传播模型求解影响力最大化问题的方法
CN109741198A (zh) * 2018-11-28 2019-05-10 中国科学院计算技术研究所 网络信息传播影响力度量方法、系统及影响力最大化方法
CN110059731A (zh) * 2019-03-27 2019-07-26 南京邮电大学 一种基于加权k-阶传播数的节点重要性评价方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101770487A (zh) * 2008-12-26 2010-07-07 聚友空间网络技术有限公司 社交网络中用户影响力的计算方法和系统
CN104484825A (zh) * 2014-12-05 2015-04-01 上海师范大学 社交网络社区影响力评估算法
CN105528407A (zh) * 2015-12-04 2016-04-27 杭州师范大学 一种获取l个具有最佳传播影响力用户的方法和装置
CN106780073A (zh) * 2017-01-11 2017-05-31 中南大学 一种考虑用户行为和情感的社会网络影响力最大化初始节点选取方法
CN107888422A (zh) * 2017-11-27 2018-04-06 石家庄铁道大学 社区网络可信节点层间交互的分析方法
CN108182640A (zh) * 2017-12-29 2018-06-19 山东浪潮云服务信息科技有限公司 一种基于用户行为传播模型求解影响力最大化问题的方法
CN109741198A (zh) * 2018-11-28 2019-05-10 中国科学院计算技术研究所 网络信息传播影响力度量方法、系统及影响力最大化方法
CN110059731A (zh) * 2019-03-27 2019-07-26 南京邮电大学 一种基于加权k-阶传播数的节点重要性评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Influence Spreading Path and Its Application to the Time Constrained Social Influence Maximization Problem and Beyond;Bo Liu;IEEE Transactions on Knowledge and Data Engineering;第26卷(第8期);全文 *

Also Published As

Publication number Publication date
CN110738421A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
Ye et al. Predicting positive and negative links in signed social networks by transfer learning
Yin et al. Signed-PageRank: An efficient influence maximization framework for signed social networks
CN104092567B (zh) 确定用户的影响力排序的方法与装置
CN103116611A (zh) 社交网络意见领袖识别方法
CN111861464B (zh) 区块链的节点共识方法及系统
CN111160954A (zh) 基于图卷积网络模型的面向群组对象的推荐方法
Zhang et al. An opinion-leader mining method in social networks with a phased-clustering perspective
CN110738421B (zh) 一种基于传播最短路径的多层网络用户影响力度量方法
Silva et al. Collaboration profiles and their impact on musical success
CN109710406A (zh) 数据分配及其模型训练方法、装置、及计算集群
CN112422571A (zh) 一种跨越多个属性网络进行异常对齐的方法
CN109447110A (zh) 综合邻居标签相关性特征和样本特征的多标签分类的方法
CN106651422A (zh) 一种数据处理方法及装置
Wu et al. Estimating fund-raising performance for start-up projects from a market graph perspective
Dong et al. TSIFIM: A three-stage iterative framework for influence maximization in complex networks
CN102521283A (zh) 一种基于贝叶斯原理的服务组合推荐方法及系统
Xu et al. Client selection based weighted federated few-shot learning
Ge et al. Human-driven dynamic community influence maximization in social media data streams
Miccichè et al. A primer on statistically validated networks
Lu et al. Pricing game of celebrities in sponsored viral marketing in online social networks with a greedy advertising platform
CN107316246A (zh) 一种社交网络关键用户的挖掘方法
CN111178678A (zh) 基于社团影响力的网络节点重要性评估方法
CN107346517A (zh) 用户关系网络中的用户交互参数获取方法及获取装置
CN103942278A (zh) 通过分析用户主动交友意愿进行朋友推荐的方法
Tasgave et al. Friend-space: Cluster-based users similar post friend recommendation technique in social networks

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