CN110992195A - 一种结合时间因子的社交网络高影响力用户识别方法 - Google Patents
一种结合时间因子的社交网络高影响力用户识别方法 Download PDFInfo
- Publication number
- CN110992195A CN110992195A CN201911168696.8A CN201911168696A CN110992195A CN 110992195 A CN110992195 A CN 110992195A CN 201911168696 A CN201911168696 A CN 201911168696A CN 110992195 A CN110992195 A CN 110992195A
- Authority
- CN
- China
- Prior art keywords
- queue
- node
- social network
- time
- graph
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000006399 behavior Effects 0.000 claims abstract description 14
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 230000003993 interaction Effects 0.000 claims description 11
- 238000003780 insertion Methods 0.000 claims description 9
- 230000037431 insertion Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种结合时间因子的社交网络高影响力用户识别方法，包括以下步骤：S1.通过用户的社交关系和互动行为抽象出社交网络图模型；S2.根据抽象出的社交网络图模型，对社交网络图进行分解识别，识别出社交网络图的关键节点(k,h)‑核，其中(k,h)‑核中的每个节点都有大于等于k个邻居，同时与每个邻居之间都有大于等于h条边；S3.动态识别出S2所得的关键节点并做最小调整。本发明充分考虑了用户之间社交关系的强弱对用户影响力的作用，同时结合时间信息，可以挖掘出指定时间范围内的高影响力用户，也可用于用户影响力变化的研究。
Description
技术领域
本发明涉及社交网络的用户信息挖掘领域，更具体地，涉及一种结合时间因子的社交网络高影响力用户识别方法。
背景技术
近年来随着社会的高速发展，人们的社交模式也发生了非常大的变化。多种线上社交网站的出现在为人们提供便利的交往和沟通方式，也使得社会资源信息得到最大化利用。社交网络中充斥着多种多样的信息，如购物分享、电影评论、时政要闻等，正在影响着人们的日常生活，如何挖掘网络用户行为以及商业、应用价值等问题吸引了越来越多的研究者。
与传统媒体的信息传播方式不同的是，社交网络中的信息传播受用户影响力和社交关系的影响，用户不再简单被动的作为信息的接收者，而是转变为信息的制造者及传播者。在社交网络中具有高影响力的用户可以加快信息传播速度，提高普通用户对信息的接受度。同时，高影响力用户的行为隐式地影响着网络中的其他用户。挖掘社交网络中的高影响力用户可以为市场口碑营销，广告定点投放，谣言控制，舆情检测等提供强有力的支持，因此，社交网络中高影响力用户的识别成为一个至关重要的研究点。
在对社交网络进行分析时，研究者通常将社交网络抽象成图模型，节点和边是组成一张图的基本单元，在社交网络抽象成的图模型中，节点往往是社交网络中用户的抽象，而边则用来刻画用户之间的互动行为。用户互动行为的其他属性则可以抽象为边的属性。由于图模型中边的属性常常具有重要作用，因此在对社交网络进行图建模的时候如何设定边的属性是一个重要问题。为了将社交网络中的时间信息纳入高影响力用户识别的研究中，可以将用户互动行为发生的时间点抽象为边的属性，两个用户间每发生一次互动行为，则在由户抽象成的两个节点间加入一条带有时间属性的边，此时，社交网络便可以被抽象成一个大规模复杂多重边时态图模型。社交网络中的高影响力用户识别问题即转化为复杂网络关键节点识别的问题。
现有技术中，如参考文献Wang R,Zhang W,Deng H,et al.Discover CommunityLeader in Social Network with PageRank[J].Advances in Swarm Intelligence,ICSI2013,2013:154-162.该方法的复杂度高，收敛性和有效性不能同时保证，并且通常只适用于特定类型的社交网络。用户影响力权重的衡量标准中没有考虑时间信息，即不能保证识别出的高影响力用户在近段时间的活跃度。而参考文献Kitsak M,Gallos L K,HavlinS,et al.Identification of influential spreaders in complex networks[J].NaturePhysics,2010,6(11):888-893的方法只适用于简单图的分解，任意两个节点之间只有一条边且边不带有其他属性，无法将间信息结合进来，因此不能找到实时的高影响力用户。参考文献Wu H,Cheng J,Lu Y,et al.Core decomposition in large temporal graphs[C]International Conference on Big Data(Big Data).IEEE,2015.这种方法中的时态图是简单时态图，虽然边带有时间信息，但任意两个节点之间只有一条边，只能表示用户之间是否有建立了社交关系，无法体现出用户间的互动次数及频率，不能很好地刻画社交网络中用户的影响力。因此不适合用于识别社交网络中的高影响力用户。
综上所述，为了在实际应用中更加有效地利用社交网络进行快速、高效地信息传播，需要设计一种结合时间因子的社交网络中的高影响力用户识别算法。
发明内容
为了解决现有技术中大数据分析技术需要高成本的投资建设费用以及耗费大量的人力，预测效果差的不足，本发明提供了一种结合时间因子的社交网络高影响力用户识别方法。
为解决上述技术问题，本发明的技术方案如下：
一种结合时间因子的社交网络高影响力用户识别方法，包括以下步骤：
S1.通过用户的社交关系和互动行为抽象出社交网络图模型；
S2.根据抽象出的社交网络图模型，对社交网络图进行分解识别，识别出社交网络图的关键节点(k,h)-核，其中(k,h)-核中的每个节点都有大于等于k个邻居，同时与每个邻居之间都有大于等于h条边；
S3.动态识别出S2所得的关键节点并做最小调整。
在一种优选方案中，所述的S1的具体步骤如下：
S11.将社交网络中的用户社交关系、互动行为及时间信息抽象成一个多重边时态图
其中每个用户代表一个节点，任意两个用户之间每发生一次互动行为，则在两个节点间添加一条边，边的属性(ts,te)是本次互动的出现时刻ts和消失时刻te的组合。
在一种优选方案中，所述的社交网络图模型中，一个节点的邻居数并不等于其度数，则使用
表示一个节点u的邻居集合，使用
表示任意两个节点u和v之间的边。
在一种优选方案中，在S2的具体步骤如下：
S21.对于一个多重边时态图Gt，令k＝1，h＝1；
S22.将图中度数小于k的节点放入队列QV；
S23.对于图中任意两个节点u,v，如果他们之间的边数小于h，则将(u,v)放入队列QE；
S24.若队列QE为空，则进入S26；否则从队列QE中取出节点对(u,v)，删除u,v之间的所有边；
S25.检查节点u的邻居数如小于k，则将其放入队列QV，返回步骤S24；
S26.队列QV为空，则进入步骤S27；否则从队列QV中取出节点u，对于u的任意一个邻居节点v，删除u,v之间的所有边，检查节点u的邻居数如小于k，则将其放入队列QV，重复步骤S26；
S27.将当前的图作为图Gt的(k,h)-核，即(1,1)-核，将(k,h)-核加入队列Qc及集合Tt；
S28.若队列Qc为空，则进入步骤S30；否则从队列Qc中取出第一个核，识别出k,h的值K,H；若(K+1,H)-核不在集合Tt中，则令Gt＝(K,H)-核，令k＝K+1，h＝H，重复步骤S21-S27；然后进入步骤S29；
S29.若(K,H+1)-核不在集合Tt中，则令Gt＝(K,H)-核，令k＝K,h＝H+1，重复步骤S21-S28；
S210.输出集合Tt。
在一种优选方案中，所述的S3的具体步骤如下：
S31.输入上一时刻t-1时的(k,h)-核集合Tt-1、多重边时态图Gt；
S32.若当前时刻t时的社交网络所抽象出图Gt为出现新的边或节点，则新的边及其节点所组成的图即为插入子图，在上一计算时刻所得的(k,h)-核的基础上根据插入子图进行最小调整，计算出当前时刻的(k，h)-核集合Tt；否则进入步骤S33；
S33.若当前时刻t时的社交网络所抽象出的图Gt中会有很多边消失，由消失的边及其对应节点所组成的图即为删除子图；在上一计算时刻已得到的(k,h)-核的基础上根据删除子图做最小调整，计算出当前时刻的(k，h)-核集合Tt。
在一种优选方案中，所述的S32包括以下步骤：
S321.计算当前时刻t时插入子图Si在Gt上的邻居子图
对于插入子图Si中的所有节点在图Gt中的对应节点，记录图Gt中其任意两节点之间的边以及任意节点的邻居及之间的边，得到邻居子图
S322.令q为一个空的队列，将上一时刻的(1,1)-核与
中的类似(1,1)-核合并，插入队列q中；
S323.输出队列q中第一个元素图Q+，得到当前计算的k，h值；
S324.若
将
中的节点加入空队列q2，取出队列中的第一个节点u，其中
S325.当
同时
上一时刻t-1时的(k+1，h)-核，则将
加入到
否则进入S327；
S326.若
则将v加入到
将v加入到队列q2，
即为F(k+1,h)；
S327.若P(k+1,h)不是空图，将上一时刻t-1时的(k+1,h)-核与P(k+1,h)合并，结果放入集合Tt和队列q中；否则使用上节提到的分解算法在F(k+1,h)中识别出当前时刻t的(k+1,h)-核；
S328.若当前时刻t的(k+1,h)-核不为空，将当前时刻t的(k+1,h)-核放入集合Tt和队列q中；
S329.若
则执行步骤S324至S328，但此时将步骤S324至S328中所有的k+1替换为k，所有的h替换为h+1。
S3210.输出集合Tt。
在一种优选方案中，所述的S33的步骤如下：
S331.对于删除子图Sr中的所有节点在图Gt中的对应节点，记录图Gt中其任意两节点之间的边以及任意节点的邻居及之间的边，得到邻居子图
S332.若上一时刻的(k,h)-核存在，则令QV和QE为两个空的队列；
S333.将边(u,v,ts,te)从上一时刻的(k,h)-核中删除；
S334.若
则将
加入QE；若
则将u(v)加入QV；
S335.当队列QE不为空时，输出取出队列中的元素
将
从上一时刻的(k,h)-核中删除；若
则将u(v)加入QV；
S336.当队列QV不为空时，取出队列中的元素u，将
从上一时刻的(k,h)-核中删除；若|φt(v)|<k，则将v加入QV；
S337.将u从上一时刻的(k,h)-核中删除，返回集合Tt-1即为Tt。
与现有技术相比，本发明技术方案的有益效果是：
本发明充分考虑了用户之间社交关系的强弱对用户影响力的作用，同时结合时间信息，可以挖掘出指定时间范围内的高影响力用户，也可用于用户影响力变化的研究。最后，本发明通过对已有的上一时刻识别结果进行最小调整来识别最新的实时高影响力用户，提高了时间效率。
附图说明
图1为本发明的步骤流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，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；
对于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。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种结合时间因子的社交网络高影响力用户识别方法，包括以下步骤：
S1.通过用户的社交关系和互动行为抽象出社交网络图模型；
S2.根据抽象出的社交网络图模型，对社交网络图进行分解识别，识别出社交网络图的关键节点(k,h)-核，其中(k,h)-核中的每个节点都有大于等于k个邻居，同时与每个邻居之间都有大于等于h条边；
S3.动态识别出S2所得的关键节点并做最小调整。
实施例2
本实施例提供的结合时间因子的社交网络高影响力用户识别方法与上述提供的一致，仅对各个步骤进行进一步的限定。
一种结合时间因子的社交网络高影响力用户识别方法，包括以下步骤：
S1.通过用户的社交关系和互动行为抽象出社交网络图模型；
S2.根据抽象出的社交网络图模型，对社交网络图进行分解识别，识别出社交网络图的关键节点(k,h)-核，其中(k,h)-核中的每个节点都有大于等于k个邻居，同时与每个邻居之间都有大于等于h条边；
S3.动态识别出S2所得的关键节点并做最小调整。
在一种优选方案中，所述的S1的具体步骤如下：
S11.将社交网络中的用户社交关系、互动行为及时间信息抽象成一个多重边时态图
其中每个用户代表一个节点，任意两个用户之间每发生一次互动行为，则在两个节点间添加一条边，边的属性(ts,te)是本次互动的出现时刻ts和消失时刻te的组合。
在一种优选方案中，所述的社交网络图模型中，一个节点的邻居数并不等于其度数，则使用
表示一个节点u的邻居集合，使用
表示任意两个节点u和v之间的边。
在一种优选方案中，在S2的具体步骤如下：
S21.对于一个多重边时态图Gt，令k＝1，h＝1；
S22.将图中度数小于k的节点放入队列QV；
S23.对于图中任意两个节点u,v，如果他们之间的边数小于h，则将(u,v)放入队列QE；
S24.若队列QE为空，则进入S26；否则从队列QE中取出节点对(u,v)，删除u,v之间的所有边；
S25.检查节点u的邻居数如小于k，则将其放入队列QV，返回步骤S24；
S26.队列QV为空，则进入步骤S27；否则从队列QV中取出节点u，对于u的任意一个邻居节点v，删除u,v之间的所有边，检查节点u的邻居数如小于k，则将其放入队列QV，重复步骤S26；
S27.将当前的图作为图Gt的(k,h)-核，即(1,1)-核，将(k,h)-核加入队列Qc及集合Tt；
S28.若队列Qc为空，则进入步骤S30；否则从队列Qc中取出第一个核，识别出k,h的值K,H；若(K+1,H)-核不在集合Tt中，则令Gt＝(K,H)-核，令k＝K+1，h＝H，重复步骤S21-S27；然后进入步骤S29；
S29.若(K,H+1)-核不在集合Tt中，则令Gt＝(K,H)-核，令k＝K,h＝H+1，重复步骤S21-S28；
S210.输出集合Tt。
在一种优选方案中，所述的S3的具体步骤如下：
S31.输入上一时刻t-1时的(k,h)-核集合Tt-1、多重边时态图Gt；
S32.若当前时刻t时的社交网络所抽象出图Gt为出现新的边或节点，则新的边及其节点所组成的图即为插入子图，在上一计算时刻所得的(k,h)-核的基础上根据插入子图进行最小调整，计算出当前时刻的(k，h)-核集合Tt；否则进入步骤S33；
S33.若当前时刻t时的社交网络所抽象出的图Gt中会有很多边消失，由消失的边及其对应节点所组成的图即为删除子图；在上一计算时刻已得到的(k,h)-核的基础上根据删除子图做最小调整，计算出当前时刻的(k，h)-核集合Tt。
在一种优选方案中，所述的S32包括以下步骤：
S321.计算当前时刻t时插入子图Si在Gt上的邻居子图
对于插入子图Si中的所有节点在图Gt中的对应节点，记录图Gt中其任意两节点之间的边以及任意节点的邻居及之间的边，得到邻居子图
S322.令q为一个空的队列，将上一时刻的(1,1)-核与
中的类似(1,1)-核合并，插入队列q中；
S323.输出队列q中第一个元素图Q+，得到当前计算的k，h值；
S324.若
将
中的节点加入空队列q2，取出队列中的第一个节点u，其中
S325.当
同时
上一时刻t-1时的(k+1，h)-核，则将
加入到
否则进入S327；
S326.若
则将v加入到
将v加入到队列q2，
即为F(k+1,h)；
S327.若P(k+1,h)不是空图，将上一时刻t-1时的(k+1,h)-核与P(k+1,h)合并，结果放入集合Tt和队列q中；否则使用上节提到的分解算法在F(k+1,h)中识别出当前时刻t的(k+1,h)-核；
S328.若当前时刻t的(k+1,h)-核不为空，将当前时刻t的(k+1,h)-核放入集合Tt和队列q中；
S329.若
则执行步骤S324至S328，但此时将步骤S324至S328中所有的k+1替换为k，所有的h替换为h+1。
S3210.输出集合Tt。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种结合时间因子的社交网络高影响力用户识别方法，其特征在于，包括以下步骤：
S1.通过用户的社交关系和互动行为抽象出社交网络图模型；
S2.根据抽象出的社交网络图模型，对社交网络图进行分解识别，识别出社交网络图的关键节点(k，h)-核，其中(k，h)-核中的每个节点都有大于等于k个邻居，同时与每个邻居之间都有大于等于h条边；
S3.动态识别出S2所得的关键节点并做最小调整。
2.根据权利要求1所述的一种结合时间因子的社交网络高影响力用户识别方法，其特征在于，所述的S1的具体步骤如下：
S11.将社交网络中的用户社交关系、互动行为及时间信息抽象成一个多重边时态图
其中每个用户代表一个节点，任意两个用户之间每发生一次互动行为，则在两个节点间添加一条边，边的属性(ts，te)是本次互动的出现时刻ts和消失时刻te的组合。
3.根据权利要求2所述的一种结合时间因子的社交网络高影响力用户识别方法，其特征在于，所述的社交网络图模型中，一个节点的邻居数并不等于其度数，则使用
表示一个节点u的邻居集合，使用
表示任意两个节点u和v之间的边。
4.根据权利要求3所述的一种结合时间因子的社交网络高影响力用户识别方法，其特征在于，在S2的具体步骤如下：
S21.对于一个多重边时态图Gt，令k＝1，h＝1；
S22.将图中度数小于k的节点放入队列QV；
S23.对于图中任意两个节点u，v，如果他们之间的边数小于h，则将(u，v)放入队列QE；
S24.若队列QE为空，则进入S26；否则从队列QE中取出节点对(u，v)，删除u，v之间的所有边；
S25.检查节点u的邻居数如小于k，则将其放入队列QV，返回步骤S24；
S26.队列QV为空，则进入步骤S27；否则从队列QV中取出节点u，对于u的任意一个邻居节点v，删除u，v之间的所有边，检查节点u的邻居数如小于k，则将其放入队列QV，重复步骤S26；
S27.将当前的图作为图Gt的(k，h)-核，即(1，1)-核，将(k，h)-核加入队列Qc及集合Tt；
S28.若队列Qc为空，则进入步骤S30；否则从队列Qc中取出第一个核，识别出k，h的值K，H；若(K+1，H)-核不在集合Tt中，则令Gt＝(K，H)-核，令k＝K+1，h＝H，重复步骤S21-S27；然后进入步骤S29；
S29.若(K，H+1)-核不在集合Tt中，则令Gt＝(K，H)-核，令k＝K，h＝H+1，重复步骤S21-S28；
S210.输出集合Tt。
5.根据权利要求4所述的一种结合时间因子的社交网络高影响力用户识别方法，其特征在于，所述的S3的具体步骤如下：
S31.输入上一时刻t-1时的(k，h)-核集合Tt-1、多重边时态图Gt；
S32.若当前时刻t时的社交网络所抽象出图Gt为出现新的边或节点，则新的边及其节点所组成的图即为插入子图，在上一计算时刻所得的(k，h)-核的基础上根据插入子图进行最小调整，计算出当前时刻的(k，h)-核集合Tt；否则进入步骤S33；
S33.若当前时刻t时的社交网络所抽象出的图Gt中会有很多边消失，由消失的边及其对应节点所组成的图即为删除子图；在上一计算时刻已得到的(k，h)-核的基础上根据删除子图做最小调整，计算出当前时刻的(k，h)-核集合Tt。
6.根据权利要求5所述的一种结合时间因子的社交网络高影响力用户识别方法，其特征在于，所述的S32包括以下步骤：
S321.计算当前时刻t时插入子图Si在Gt上的邻居子图
对于插入子图Si中的所有节点在图Gt中的对应节点，记录图Gt中其任意两节点之间的边以及任意节点的邻居及之间的边，得到邻居子图
S322.令q为一个空的队列，将上一时刻的(1，1)-核与
中的类似(1，1)-核合并，插入队列q中；
S323.输出队列q中第一个元素图Q+，得到当前计算的k，h值；
S324.若
将
中的节点加入空队列q2，取出队列中的第一个节点u，其中
S325.当
同时
上一时刻t-1时的(k+1，h)-核，则将
加入到
否则进入S327；
S326.若
则将v加入到
将v加入到队列q2，
即为F(k+1，h)；
S327.若P(k+1，h)不是空图，将上一时刻t-1时的(k+1，h)-核与P(k+1，h)合并，结果放入集合Tt和队列q中；否则使用上节提到的分解算法在F(k+1，h)中识别出当前时刻t的(k+1，h)-核；
S328.若当前时刻t的(k+1，h)-核不为空，将当前时刻t的(k+1，h)-核放入集合Tt和队列q中；
S329.若
则执行步骤S324至S328，但此时将步骤S324至S328中所有的k+1替换为k，所有的h替换为h+1。
S3210.输出集合Tt。
7.根据权利要求6所述的一种结合时间因子的社交网络高影响力用户识别方法，其特征在于，所述的S33的步骤如下：
S331.对于删除子图Sr中的所有节点在图Gt中的对应节点，记录图Gt中其任意两节点之间的边以及任意节点的邻居及之间的边，得到邻居子图
S332.若上一时刻的(k，h)-核存在，则令QV和QE为两个空的队列；
S333.将边(u，v，ts，te)从上一时刻的(k，h)-核中删除；
S334.若
则将
加入QE；若
则将u(v)加入QV；
S335.当队列QE不为空时，输出取出队列中的元素
将
从上一时刻的(k，h)-核中删除；若
则将u(v)加入QV；
S336.当队列QV不为空时，取出队列中的元素u，将
从上一时刻的(k，h)-核中删除；若|φt(v)|＜k，则将v加入QV；
S337.将u从上一时刻的(k，h)-核中删除，返回集合Tt-1即为Tt。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911168696.8A CN110992195B (zh) | 2019-11-25 | 2019-11-25 | 一种结合时间因子的社交网络高影响力用户识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911168696.8A CN110992195B (zh) | 2019-11-25 | 2019-11-25 | 一种结合时间因子的社交网络高影响力用户识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110992195A true CN110992195A (zh) | 2020-04-10 |
| CN110992195B CN110992195B (zh) | 2023-04-21 |
Family
ID=70086659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911168696.8A Active CN110992195B (zh) | 2019-11-25 | 2019-11-25 | 一种结合时间因子的社交网络高影响力用户识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110992195B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640005A (zh) * | 2020-05-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 数据分析方法、装置、计算机设备及存储介质 |
| CN111667373A (zh) * | 2020-06-08 | 2020-09-15 | 上海大学 | 基于邻居子图社交网络动态增量的演化社区发现方法 |
| CN111782963A (zh) * | 2020-06-15 | 2020-10-16 | 中国铁塔股份有限公司 | 一种基于sns的社交网络数据挖掘方法及系统、服务设备 |
| CN113409160A (zh) * | 2021-07-14 | 2021-09-17 | 浙江工商大学 | 基于k桁架建立社交网络中关键关系的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104598605A (zh) * | 2015-01-30 | 2015-05-06 | 福州大学 | 一种社交网络中的用户影响力评估方法 |
| CN106462933A (zh) * | 2014-05-23 | 2017-02-22 | 谷歌公司 | 使用内容结构来社交地连接用户 |
| CN106570581A (zh) * | 2016-10-26 | 2017-04-19 | 东北电力大学 | 能源互联网环境下基于属性关联的负荷预测系统及其方法 |
| CN108492201A (zh) * | 2018-03-29 | 2018-09-04 | 山东科技大学 | 一种基于社区结构的社交网络影响力最大化方法 |
| CN108711111A (zh) * | 2018-05-16 | 2018-10-26 | 山东科技大学 | 一种基于K-shell分解的社交网络影响力最大化方法 |
-
2019
- 2019-11-25 CN CN201911168696.8A patent/CN110992195B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106462933A (zh) * | 2014-05-23 | 2017-02-22 | 谷歌公司 | 使用内容结构来社交地连接用户 |
| CN104598605A (zh) * | 2015-01-30 | 2015-05-06 | 福州大学 | 一种社交网络中的用户影响力评估方法 |
| CN106570581A (zh) * | 2016-10-26 | 2017-04-19 | 东北电力大学 | 能源互联网环境下基于属性关联的负荷预测系统及其方法 |
| CN108492201A (zh) * | 2018-03-29 | 2018-09-04 | 山东科技大学 | 一种基于社区结构的社交网络影响力最大化方法 |
| CN108711111A (zh) * | 2018-05-16 | 2018-10-26 | 山东科技大学 | 一种基于K-shell分解的社交网络影响力最大化方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640005A (zh) * | 2020-05-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 数据分析方法、装置、计算机设备及存储介质 |
| CN111667373A (zh) * | 2020-06-08 | 2020-09-15 | 上海大学 | 基于邻居子图社交网络动态增量的演化社区发现方法 |
| CN111667373B (zh) * | 2020-06-08 | 2023-08-11 | 上海大学 | 基于邻居子图社交网络动态增量的演化社区发现方法 |
| CN111782963A (zh) * | 2020-06-15 | 2020-10-16 | 中国铁塔股份有限公司 | 一种基于sns的社交网络数据挖掘方法及系统、服务设备 |
| CN111782963B (zh) * | 2020-06-15 | 2024-03-19 | 中国铁塔股份有限公司 | 一种基于sns的社交网络数据挖掘方法及系统、服务设备 |
| CN113409160A (zh) * | 2021-07-14 | 2021-09-17 | 浙江工商大学 | 基于k桁架建立社交网络中关键关系的方法 |
| CN113409160B (zh) * | 2021-07-14 | 2023-05-26 | 浙江工商大学 | 基于k桁架建立社交网络中关键关系的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110992195B (zh) | 2023-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992195A (zh) | 一种结合时间因子的社交网络高影响力用户识别方法 | |
| JP7468929B2 (ja) | 地理知識取得方法 | |
| Sheth | Citizen sensing, social signals, and enriching human experience | |
| Cretu | Smart cities design using event-driven paradigm and semantic web | |
| CN103793465B (zh) | 基于云计算的海量用户行为实时分析方法及系统 | |
| Cordeiro et al. | Evolving networks and social network analysis methods and techniques | |
| Olmezogullari et al. | Representation of click-stream datasequences for learning user navigational behavior by using embeddings | |
| Gu et al. | Etree: Effective and efficient event modeling for real-time online social media networks | |
| US7539934B2 (en) | Computer-implemented method, system, and program product for developing a content annotation lexicon | |
| Zhuge | Socio-natural thought semantic link network: A method of semantic networking in the cyber physical society | |
| Guille et al. | Predicting the temporal dynamics of information diffusion in social networks | |
| CN115858899A (zh) | 一种基于多标签影响的网络事件标签流行度预测方法 | |
| Ye et al. | Analyzing asymmetric city connectivity by toponym on social media in China | |
| Ediger et al. | Real-time streaming intelligence: Integrating graph and nlp analytics | |
| KR20180108738A (ko) | 적응식 회복력을 위한 전략적인 즉흥 설계 | |
| Ceri et al. | Towards mega-modeling: a walk through data analysis experiences | |
| Liu et al. | Cross-Modal Generative Semantic Communications for Mobile AIGC: Joint Semantic Encoding and Prompt Engineering | |
| Xiang | [Retracted] Visual Dynamic Simulation Model of Unstructured Data in Social Networks | |
| Smani et al. | Maximization influence in dynamic social networks and graphs | |
| Cho et al. | The Grapevine Context Processor: Application support for efficient context sharing | |
| Rossi et al. | Modeling temporal behavior in large networks: A dynamic mixed-membership model | |
| Wang et al. | Research on library digital resource evaluation system based on computer multimedia aid | |
| Venna et al. | Visual analytic decision-making environments for large-scale time-evolving graphs | |
| Sousa et al. | Sociomaterial enactment drive of business/IT alignment: from small data to big impact | |
| Cotterell et al. | Facilitating Knowledge Sharing and Analysis in EnergyInformatics with the Ontology for Energy Investigations (OEI) |
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 |