CN110766126A - 用户行为与心理学的社会网络影响力最大化方法 - Google Patents

用户行为与心理学的社会网络影响力最大化方法 Download PDF

Info

Publication number
CN110766126A
CN110766126A CN201910975774.9A CN201910975774A CN110766126A CN 110766126 A CN110766126 A CN 110766126A CN 201910975774 A CN201910975774 A CN 201910975774A CN 110766126 A CN110766126 A CN 110766126A
Authority
CN
China
Prior art keywords
user
gtest
gbest
node
representing
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
CN201910975774.9A
Other languages
English (en)
Other versions
CN110766126B (zh
Inventor
杨静
张薇
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201910975774.9A priority Critical patent/CN110766126B/zh
Publication of CN110766126A publication Critical patent/CN110766126A/zh
Application granted granted Critical
Publication of CN110766126B publication Critical patent/CN110766126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了用户行为与心理学的社会网络影响力最大化方法，属于数据挖掘领域与社会网络科学领域。该方法在社交网络中，首先采用基于IC方法的启发式算法，通过用户活动时间识别非活跃用户群，将其从采样空间中删除，完成粒子群的初始化。这样的初始化方法可以缩短初始状态与种子用户集合之间的差距，加速算法收敛，提高准确度。其次，根据二度理论以及得寸进尺效应构建目标优化函数，估算用户的影响力，减小候选用户之间的影响力重叠影响，提高准确率。最后，结合目标函数以及IC方法构建局部寻优算法，对粒子群速度，位置，加速收敛，得到种子用户集合，实现影响力最大化。

Description

用户行为与心理学的社会网络影响力最大化方法
技术领域
本发明属于数据挖掘领域与社会网络科学领域，具体涉及用户行为与心理学的社会网络影响力最大化方法。
背景技术
随着社交网络平台的兴起与发展，人们无时无刻不在浏览信息，表达观点，并传播新的理念与想法。有影响力的用户可以通过自己的行为促进信息的传播。
影响力最大化就是识别一组有影响力的用户使信息的传播尽可能的最大化。对该类用户加以良好的导控，对病毒营销，广告发布有着重要的意义。对于该问题的理论研究也有助于控制传染病爆发，防止电网瘫痪和互联网故障。
现有方法主要从两个方面入手对影响力最大化问题展开研究。一方面是影响力度量方法。Degree，coreness centralities，betweenness等都是较为常见的度量方法。但由于包含的信息太少，分辨率低下较为严重。其次，这类方法都没有考虑节点之间的影响力范围重叠问题，因此无法直接用于影响力最大化问题中。另一方面则是基于贪心算法、启发式方法的影响力最大化方法。为了得到较为准确的结果，贪心算法需要模拟上万次才能获得平均水平。因此，这类算法效率低下，无法应用于大规模的社交网络中。启发式方法虽然在效率上优于贪心算法，但时间复杂度依旧较高。其次，该类方法没有很好的结合影响力度量方法的先进成果，依旧使用较为老旧的度量方法，分辨率问题以及影响力重叠问题没有得到很好的处理，使得结果的不可靠性增加。
因此，如何在保证准确性的同时，快速发现分散的具有较强传播能力的用户使得影响力最大化仍然是一项艰巨而具有挑战性的任务。
发明内容
本发明的目的在于提供加快了方法的收敛速度，同时提高了结果的准确性的用户行为与心理学的社会网络影响力最大化方法。
本发明的目的通过以下技术方案来实现：
用户行为与心理学的社会网络影响力最大化方法，包括以下步骤：
步骤1：输入社会网络G＝(N,E)(N为网络的节点集合，E为边集合)、粒子群大小n、种子节点大小k、最大迭代数gmax、惯性权重w、学习因子c1、c2以及用户行为数据；
步骤2：利用最近两次用户行为数据计算每个用户的活动时间间隔，识别非活跃用户集合ST，活动时间间隔大于t天的为非活跃用户；
步骤3：采用基于IC排序方法的启发式算法，将采样空间设置为N-ST，进行粒子群的初始化；
步骤3.1计算G中所有用户的IC值，随即从这些用户中选择k个IC值最高的用户作为位置向量X，当前最佳位置向量Pbest的初始设定值；
步骤3.2对于X和Pbest中的每个元素，以随机数r，采样空间为N-ST，进行替换，随机数r为[0,1]的小数；
步骤3.2如果r大于0.5，将该元素替换为用户集合N-ST中的任意一个节点，并保证替换后的粒子中不存在相同的用户，否则，不进行替换；
步骤3.3将速度向量V的所有元素设置为0，最终获得初始状态下的速度向量V，位置向量X，当前最佳位置向量Pbest。
所述IC排序方法是利用社会网络中用户的k-shell值以及k-shell迭代次数计算每个用户的重要程度，其计算公式为：
IC(i)＝w1×ICp(i)+w2×ICN(i)
Figure BDA0002233562630000021
Figure BDA0002233562630000022
其中，IC(i)表示节点(用户)i的IC值，ICp(i)表示节点(用户)i在位置属性方面体现的影响能力值，ICN(i)表示节点(用户)i在邻接区域的影响能力值，w1,w2为权重，k(i)r表示移除邻居后用户i剩余的度数，Iter(j)表示在进行k-shell方法时，移除用户j的迭代次数，Γ(i)表示用户i被移除的邻居集合，N(i)，N(j)分别表示用户i，用户j的邻居用户，d(k)表示用户k的度数。
步骤4：根据二度理论以及得寸进尺效应构建目标优化函数，估算用户的影响力；
目标函数公式如下：
Figure BDA0002233562630000023
其中，EIE表示一组节点集合的期望影响值，
Figure BDA0002233562630000024
分别为S的一跳区域与两跳区域内的邻居节点集合，
Figure BDA0002233562630000025
分别表示的是S一跳以及两跳邻居中接受反复激励的节点集合，表示S的一跳以及两跳反复接受激励的邻居节点所接受激励的总频率，pu*为传播模型的激活概率，du*表示节点u与
Figure BDA0002233562630000031
之间的链接数，pi,j表示节点i激活节点j的激活概率。该计算公式仅在种子节点集合的两跳范围内近似估计种子节点集合的影响力大小。计算公式考虑了种子节点集合在传递信息过程中存在多次激励非活跃节点带来的收益以及影响力重叠带来的传递损失。
步骤5：根据速度更新公式、位置更新公式对速度向量V、位置向量X进行更新；
速度与位置更新公式如下：
Vi←H(ωVi+c1r1(Pbesti∩Xi)+c2r2(Gbest∩Xi)
Figure BDA0002233562630000032
其中，Vi←(vi1,vi2,...,vid)与Xi＝(xi1,xi2,...,xid)分别表示粒子i的位置向量与速度向量，w为惯性权重，c1、c2为学习因子，r1、r2为两个(0,1)之间的随机数，Pbesti表示粒子i的历史最佳位置，Gbest表示当前代粒子群的全局最佳位置。
符号“∩”定义为逻辑类似的交集运算，返回的结果是由0和1组成的向量，1表示Xi中对应位置上与Pbesti或Gbest中具有相同的元素，0表示Xi中对应位置上与Pbesti或Gbest中具有不同的元素。
函数H(·)是用于计算速度的决定函数。假设计算参数Xi对应的速度值H(Xi)。H(Xi)可以表示为H(Xi)＝(h1(xi1),h2(xi2),...,hk(xik))，其中hj(xij)(1≤j≤k)计算方法如下：
Figure BDA0002233562630000033
符号
Figure BDA0002233562630000034
是用于在Vi基础上判断Xi中元素是否应保持不变或调整，调整规则如下：
Figure BDA0002233562630000035
其中，xij为Xi中的元素，Replace(·)表示在节点集合N中随机抽取一个节点替换xij，并保证替换后，Xi中没有重复的元素。
步骤6：更新当前最佳位置向量Pbest，筛选当前最优的Gbest*；
步骤7：根据IC排序方法以及目标函数构造局部寻优算法，输入Gbest*，寻找当前最优解Gbest’；
步骤7.1计算Gbest*中粒子的IC值，并排序，得到有序列表Gbest’；
步骤7.2对于Gbest’中的每个元素gbesti，获得其gbesti的一跳邻居集合Nei_set，设置迭代次数为Nei_set的长度；
步骤7.3从邻居中随机抽取一名，用其替换gbesti，得到新的组合Gbest’；
步骤7.4计算Gbest’与Gbest*的EIE值，如果Gbest’的值大，将Gbest*替换为Gbest’；
步骤7.5如果迭代次数大于Nei_set的长度，继续下一步，否则，迭代次数加1，返回步骤7.3；
步骤7.6用Gbest*替换Gbest
步骤7.7直到对每个元素都进行完以上操作，最终获得当前最优解Gbest’。
步骤8：将Gbest*与Gbest’进行对比，选择值最大的赋给Gbest*；
步骤9：判断是否达到迭代次数gmax，如果达到转到步骤10，反之，则迭代次数加1，转发步骤5；
步骤10：输出Gbest*做为种子用户集合，算法结束。
本发明提出的基于用户行为与心理学理论的社会网络影响力最大化方法是将二度理论与得寸进尺效应相结合应用到目标函数的构造上，考虑了影响力重叠问题带来的传递损失与反复激励带来的收益，并结合用户行为，识别非活跃用户，应用到初始化方法以及局部搜索策略中，加快了方法的收敛速度，同时提高了结果的准确性。
本发明的有益效果在于：
本发明通过引入非活跃用户，结合IC排序方法进行初始化，可以缩短算法初始状态与最终结果的差距，加快收敛速度，进而提高算法精度；借助二度理论以及得寸进尺效应，构建目标函数，解决了用户之间影响力重叠问题，准确度量用户集合的影响范围，进而提高了分辨率，提高收敛精度；结合IC排序方法以及目标函数构建局部寻优算法，避免算法陷入局部最优，并进一步加速收敛。与传统的粒子群算法相比，本发明方法提高了算法的精度，加快了收敛速度。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
如图1，用户行为与心理学的社会网络影响力最大化方法，包括以下步骤：
步骤1：输入社会网络G＝(N,E)、粒子群大小n、种子节点大小k、最大迭代数gmax、惯性权重w、学习因子c1、c2以及用户行为数据，其中N为网络的节点集合，E为边集合；
步骤2：利用最近两次用户行为数据计算每个用户的活动时间间隔，识别非活跃用户集合ST，活动时间间隔大于t天的为非活跃用户；
步骤3：采用基于IC排序方法的启发式算法，将采样空间设置为N-ST，进行粒子群的初始化；
步骤4：根据二度理论以及得寸进尺效应构建目标优化函数，估算用户的影响力；
步骤5：根据速度更新公式、位置更新公式对速度向量V、位置向量X进行更新；
步骤6：更新当前最佳位置向量Pbest，筛选当前最优的Gbest*；
步骤7：根据IC排序方法以及目标函数构造局部寻优算法，输入Gbest*，寻找当前最优解Gbest’；
步骤8：将Gbest*与Gbest’进行对比，选择值最大的赋给Gbest*；
步骤9：判断是否达到迭代次数gmax，如果达到转到步骤11，反之，则迭代次数加1，转发步骤5；
步骤10：输出Gbest*做为种子用户集合，算法结束。
步骤3所述的IC排序方法是利用社会网络中用户的k-shell值以及k-shell迭代次数计算每个用户的重要程度，其计算公式为：
IC(i)＝w1×ICp(i)+w2×ICN(i)
Figure BDA0002233562630000052
其中，IC(i)表示节点(用户)i的IC值，ICp(i)表示节点(用户)i在位置属性方面体现的影响能力值，ICN(i)表示节点(用户)i在邻接区域的影响能力值，w1,w2为权重，k(i)r表示移除邻居后用户i剩余的度数，Iter(j)表示在进行k-shell方法时，移除用户j的迭代次数，Γ(i)表示用户i被移除的邻居集合，N(i)，N(j)分别表示用户i，用户j的邻居用户，d(k)表示用户k的度数。
所述的步骤3具体步骤为：
步骤3.1计算G中所有用户的IC值，随即从这些用户中选择k个IC值最高的用户作为位置向量X，当前最佳位置向量Pbest的初始设定值；
步骤3.2对于X和Pbest中的每个元素，以随机数r，采样空间为N-ST，进行替换，随机数r为[0,1]的小数；
步骤3.2如果r大于0.5，将该元素替换为用户集合N-ST中的任意一个节点，并保证替换后的粒子中不存在相同的用户，否则，不进行替换；
步骤3.3将速度向量V的所有元素设置为0，最终获得初始状态下的速度向量V，位置向量X，当前最佳位置向量Pbest。
步骤4所述的目标函数公式如下：
Figure BDA0002233562630000061
其中，EIE表示一组节点集合的期望影响值，
Figure BDA0002233562630000062
分别为S的一跳区域与两跳区域内的邻居节点集合，
Figure BDA0002233562630000063
分别表示的是S一跳以及两跳邻居中接受反复激励的节点集合，
Figure BDA0002233562630000064
表示S的一跳以及两跳反复接受激励的邻居节点所接受激励的总频率，pu*为传播模型的激活概率，du*表示节点u与之间的链接数，pi,j表示节点i激活节点j的激活概率。
步骤5所述的速度与位置更新公式如下：
Vi←H(ωVi+c1r1(Pbesti∩Xi)+c2r2(Gbest∩Xi)
Figure BDA0002233562630000066
其中，Vi←(vi1,vi2,...,vid)与Xi＝(xi1,xi2,...,xid)分别表示粒子i的位置向量与速度向量，w为惯性权重，c1、c2为学习因子，r1、r2为两个(0,1)之间的随机数，Pbesti表示粒子i的历史最佳位置，Gbest表示当前代粒子群的全局最佳位置；
符号“∩”定义为逻辑类似的交集运算，返回的结果是由0和1组成的向量，1表示Xi中对应位置上与Pbesti或Gbest中具有相同的元素，0表示Xi中对应位置上与Pbesti或Gbest中具有不同的元素；
函数H(·)是用于计算速度的决定函数。
所述的步骤7具体步骤为：
步骤7.1计算Gbest*中粒子的IC值，并排序，得到有序列表Gbest’；
步骤7.2对于Gbest’中的每个元素gbesti，获得其gbesti的一跳邻居集合Nei_set，设置迭代次数为Nei_set的长度；
步骤7.3从邻居中随机抽取一名，用其替换gbesti，得到新的组合Gbest’；
步骤7.4计算Gbest’与Gbest*的EIE值，如果Gbest’的值大，将Gbest*替换为Gbest’；
步骤7.5如果迭代次数大于Nei_set的长度，继续下一步，否则，迭代次数加1，返回步骤7.3；
步骤7.6用Gbest*替换Gbest；
步骤7.7直到对每个元素都进行完以上操作，最终获得当前最优解Gbest’。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.用户行为与心理学的社会网络影响力最大化方法，其特征在于，包括以下步骤：
步骤1：输入社会网络G＝(N,E)、粒子群大小n、种子节点大小k、最大迭代数gmax、惯性权重w、学习因子c1、c2以及用户行为数据，其中N为网络的节点集合，E为边集合；
步骤2：利用最近两次用户行为数据计算每个用户的活动时间间隔，识别非活跃用户集合ST，活动时间间隔大于t天的为非活跃用户；
步骤3：采用基于IC排序方法的启发式算法，将采样空间设置为N-ST，进行粒子群的初始化；
步骤4：根据二度理论以及得寸进尺效应构建目标优化函数，估算用户的影响力；
步骤5：根据速度更新公式、位置更新公式对速度向量V、位置向量X进行更新；
步骤6：更新当前最佳位置向量Pbest，筛选当前最优的Gbest*；
步骤7：根据IC排序方法以及目标函数构造局部寻优算法，输入Gbest*，寻找当前最优解Gbest’；
步骤8：将Gbest*与Gbest’进行对比，选择值最大的赋给Gbest*；
步骤9：判断是否达到迭代次数gmax，如果达到转到步骤11，反之，则迭代次数加1，转发步骤5；
步骤10：输出Gbest*做为种子用户集合，算法结束。
2.根据权利要求1所述的用户行为与心理学的社会网络影响力最大化方法，其特征在于，步骤3所述的IC排序方法是利用社会网络中用户的k-shell值以及k-shell迭代次数计算每个用户的重要程度，其计算公式为：
IC(i)＝w1×ICp(i)+w2×ICN(i)
Figure FDA0002233562620000011
Figure FDA0002233562620000012
其中，IC(i)表示节点(用户)i的IC值，ICp(i)表示节点(用户)i在位置属性方面体现的影响能力值，ICN(i)表示节点(用户)i在邻接区域的影响能力值，w1,w2为权重，k(i)r表示移除邻居后用户i剩余的度数，Iter(j)表示在进行k-shell方法时，移除用户j的迭代次数，Γ(i)表示用户i被移除的邻居集合，N(i)，N(j)分别表示用户i，用户j的邻居用户，d(k)表示用户k的度数。
3.根据权利要求1所述的用户行为与心理学的社会网络影响力最大化方法，其特征在于，所述的步骤3具体步骤为：
步骤3.1计算G中所有用户的IC值，随即从这些用户中选择k个IC值最高的用户作为位置向量X，当前最佳位置向量Pbest的初始设定值；
步骤3.2对于X和Pbest中的每个元素，以随机数r，采样空间为N-ST，进行替换，随机数r为[0,1]的小数；
步骤3.2如果r大于0.5，将该元素替换为用户集合N-ST中的任意一个节点，并保证替换后的粒子中不存在相同的用户，否则，不进行替换；
步骤3.3将速度向量V的所有元素设置为0，最终获得初始状态下的速度向量V，位置向量X，当前最佳位置向量Pbest。
4.根据权利要求1所述的用户行为与心理学的社会网络影响力最大化方法，其特征在于，步骤4所述的目标函数公式如下：
Figure FDA0002233562620000021
其中，EIE表示一组节点集合的期望影响值，
Figure FDA0002233562620000022
分别为S的一跳区域与两跳区域内的邻居节点集合，
Figure FDA0002233562620000023
分别表示的是S一跳以及两跳邻居中接受反复激励的节点集合，
Figure FDA0002233562620000024
Figure FDA0002233562620000025
表示S的一跳以及两跳反复接受激励的邻居节点所接受激励的总频率，pu*为传播模型的激活概率，du*表示节点u与之间的链接数，pi,j表示节点i激活节点j的激活概率。
5.根据权利要求1所述的用户行为与心理学的社会网络影响力最大化方法，其特征在于，步骤5所述的速度与位置更新公式如下：
Vi←H(ωVi+c1r1(Pbesti∩Xi)+c2r2(Gbest∩Xi)
Figure FDA0002233562620000027
其中，Vi←(vi1,vi2,...,vid)与Xi＝(xi1,xi2,...,xid)分别表示粒子i的位置向量与速度向量，w为惯性权重，c1、c2为学习因子，r1、r2为两个(0,1)之间的随机数，Pbesti表示粒子i的历史最佳位置，Gbest表示当前代粒子群的全局最佳位置；
符号“∩”定义为逻辑类似的交集运算，返回的结果是由0和1组成的向量，1表示Xi中对应位置上与Pbesti或Gbest中具有相同的元素，0表示Xi中对应位置上与Pbesti或Gbest中具有不同的元素；
函数H(·)是用于计算速度的决定函数。
6.根据权利要求1所述的用户行为与心理学的社会网络影响力最大化方法，其特征在于，所述的步骤7具体步骤为：
步骤7.1计算Gbest*中粒子的IC值，并排序，得到有序列表Gbest’；
步骤7.2对于Gbest’中的每个元素gbesti，获得其gbesti的一跳邻居集合Nei_set，设置迭代次数为Nei_set的长度；
步骤7.3从邻居中随机抽取一名，用其替换gbesti，得到新的组合Gbest’；
步骤7.4计算Gbest’与Gbest*的EIE值，如果Gbest’的值大，将Gbest*替换为Gbest’；
步骤7.5如果迭代次数大于Nei_set的长度，继续下一步，否则，迭代次数加1，返回步骤7.3；
步骤7.6用Gbest*替换Gbest；
步骤7.7直到对每个元素都进行完以上操作，最终获得当前最优解Gbest’。
CN201910975774.9A 2019-10-15 2019-10-15 用户行为与心理学的社会网络影响力最大化方法 Active CN110766126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910975774.9A CN110766126B (zh) 2019-10-15 2019-10-15 用户行为与心理学的社会网络影响力最大化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910975774.9A CN110766126B (zh) 2019-10-15 2019-10-15 用户行为与心理学的社会网络影响力最大化方法

Publications (2)

Publication Number Publication Date
CN110766126A true CN110766126A (zh) 2020-02-07
CN110766126B CN110766126B (zh) 2023-11-21

Family

ID=69332159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910975774.9A Active CN110766126B (zh) 2019-10-15 2019-10-15 用户行为与心理学的社会网络影响力最大化方法

Country Status (1)

Country Link
CN (1) CN110766126B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120259600A1 (en) * 2011-04-11 2012-10-11 King Fahd University Of Petroleum And Minerals Method of identifying hammerstein models with known nonlinearity structures using particle swarm optimization
CN103971160A (zh) * 2014-05-05 2014-08-06 北京航空航天大学 基于复杂网络的粒子群优化方法
CN107168267A (zh) * 2017-06-29 2017-09-15 山东万腾电子科技有限公司 基于改进粒子群与启发式策略的生产排产方法及系统
CN108537369A (zh) * 2018-03-21 2018-09-14 华南理工大学 基于局部搜索的改进粒子群配电网重构算法
CN109492924A (zh) * 2018-11-21 2019-03-19 哈尔滨工程大学 一种基于微博用户自身和行为价值二阶的影响力评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120259600A1 (en) * 2011-04-11 2012-10-11 King Fahd University Of Petroleum And Minerals Method of identifying hammerstein models with known nonlinearity structures using particle swarm optimization
CN103971160A (zh) * 2014-05-05 2014-08-06 北京航空航天大学 基于复杂网络的粒子群优化方法
CN107168267A (zh) * 2017-06-29 2017-09-15 山东万腾电子科技有限公司 基于改进粒子群与启发式策略的生产排产方法及系统
CN108537369A (zh) * 2018-03-21 2018-09-14 华南理工大学 基于局部搜索的改进粒子群配电网重构算法
CN109492924A (zh) * 2018-11-21 2019-03-19 哈尔滨工程大学 一种基于微博用户自身和行为价值二阶的影响力评估方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HOSSEINI-POZVEH: "Maximizing the spread of positive influence in signed social networks" *
MAOGUO GONG,ET AL.: "Influence maximization in social networks based on discrete particle swarm optimization" *
WEI ZHANG, ET AL.: "Groups make nodes powerful: Identifying influential nodes in social networks based on social conformity theory and community features" *
朱晓霞: "基于改进k-shell算法的节点影响力的识别" *

Also Published As

Publication number Publication date
CN110766126B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
Gong et al. Influence maximization in social networks based on discrete particle swarm optimization
Xu et al. Identifying important nodes by adaptive LeaderRank
Meirom et al. Controlling graph dynamics with reinforcement learning and graph neural networks
Skufca et al. Communication and synchronization in disconnected networks with dynamic topology: Moving neighborhood networks
CN108882256B (zh) 一种无线传感器网络节点覆盖优化方法和装置
CN107123056B (zh) 一种基于位置的社交大数据信息最大化方法
CN106789338B (zh) 一种在动态大规模社交网络中发现关键人物的方法
de Oliveira et al. Comparing multi-armed bandit algorithms and Q-learning for multiagent action selection: a case study in route choice
CN107169594B (zh) 一种车辆路径问题的优化方法及装置
CN108021636B (zh) 一种不依赖时间信息的传播网络结构重构方法
CN104657901A (zh) 一种基于随机游走的标签传播社区发现方法
Muhsen et al. Enhancing NoC-based MPSoC performance: a predictive approach with ANN and guaranteed convergence arithmetic optimization algorithm
Tu et al. GPN: A novel gravity model based on position and neighborhood to identify influential nodes in complex networks
JP2017220840A (ja) ネットワーク監視・制御装置、ネットワーク監視・制御方法、及びネットワーク監視・制御プログラム
Jovanovic et al. Comparison of different topologies for island-based multi-colony ant algorithms for the minimum weight vertex cover problem
CN116151384B (zh) 量子电路处理方法、装置及电子设备
CN110766126A (zh) 用户行为与心理学的社会网络影响力最大化方法
CN111415265A (zh) 生成式对抗网络的社交关系数据生成方法
CN114492849B (zh) 一种基于联邦学习的模型更新方法及装置
CN110223125B (zh) 节点位置核边收益算法下用户位置获取方法
Zhou et al. Finding decomposable models for efficient distributed inference over sensor networks
Khoshkhah et al. A Random Walk Approach for Simulation-Based Continuous Dynamic Traffic Assignment
Marcolino et al. Simultaneous influencing and mapping social networks
CN110188098A (zh) 一种基于双层锚点图投影优化的高维向量数据可视化方法及系统
CN108154530B (zh) 一种分布式计算有向图围长的方法

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
GR01 Patent grant
GR01 Patent grant