CN110992195B - 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 PDF

Info

Publication number
CN110992195B
CN110992195B CN201911168696.8A CN201911168696A CN110992195B CN 110992195 B CN110992195 B CN 110992195B CN 201911168696 A CN201911168696 A CN 201911168696A CN 110992195 B CN110992195 B CN 110992195B
Authority
CN
China
Prior art keywords
queue
core
social network
nodes
node
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
CN201911168696.8A
Other languages
English (en)
Other versions
CN110992195A (zh
Inventor
吴迪
陈雅迪
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201911168696.8A priority Critical patent/CN110992195B/zh
Publication of CN110992195A publication Critical patent/CN110992195A/zh
Application granted granted Critical
Publication of CN110992195B publication Critical patent/CN110992195B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (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

一种结合时间因子的社交网络高影响力用户识别方法
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
Figure BDA0002288140240000021
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
Figure BDA0002288140240000031
表示一个节点u的邻居集合，使用
Figure BDA0002288140240000032
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
Figure BDA0002288140240000041
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
Figure BDA0002288140240000042
S322.令q为一个空的队列，将上一时刻的(1,1)-核与
Figure BDA0002288140240000043
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
Figure BDA0002288140240000044
将
Figure BDA0002288140240000045
中的节点加入空队列q2，取出队列中的第一个节点u，其中
Figure BDA0002288140240000046
S325.当
Figure BDA0002288140240000047
同时
Figure BDA0002288140240000048
上一时刻t-1时的(k+1，h)-核，则将
Figure BDA0002288140240000049
加入到
Figure BDA00022881402400000410
否则进入S327；
S326.若
Figure BDA00022881402400000411
则将v加入到
Figure BDA00022881402400000412
将v加入到队列q2，
Figure BDA00022881402400000413
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
Figure BDA00022881402400000414
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
Figure BDA00022881402400000415
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
Figure BDA0002288140240000051
则将
Figure BDA0002288140240000052
加入QE；若
Figure BDA0002288140240000053
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
Figure BDA0002288140240000054
将
Figure BDA0002288140240000055
从上一时刻的(k,h)-核中删除；若
Figure BDA0002288140240000056
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
Figure BDA0002288140240000057
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
Figure BDA0002288140240000061
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
Figure BDA0002288140240000062
表示一个节点u的邻居集合，使用
Figure BDA0002288140240000063
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
Figure BDA0002288140240000071
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
Figure BDA0002288140240000072
S322.令q为一个空的队列，将上一时刻的(1,1)-核与
Figure BDA0002288140240000073
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
Figure BDA0002288140240000074
将
Figure BDA0002288140240000075
中的节点加入空队列q2，取出队列中的第一个节点u，其中
Figure BDA0002288140240000076
S325.当
Figure BDA0002288140240000077
同时
Figure BDA0002288140240000078
上一时刻t-1时的(k+1，h)-核，则将
Figure BDA0002288140240000079
加入到
Figure BDA00022881402400000710
否则进入S327；
S326.若
Figure BDA00022881402400000711
则将v加入到
Figure BDA00022881402400000712
将v加入到队列q2，
Figure BDA00022881402400000713
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
Figure BDA0002288140240000081
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 (4)

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；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
Figure FDA0004096324410000011
表示一个节点u的邻居集合，使用
Figure FDA0004096324410000012
Figure FDA0004096324410000013
表示任意两个节点u和v之间的边；
S3.动态识别出S2所得的关键节点并做最小调整；其具体步骤如下：
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；
其中，所述的S32包括以下步骤：
S321.计算当前时刻t时插入子图Si在多重边时态图Gt上的邻居子图
Figure FDA0004096324410000014
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
Figure FDA0004096324410000015
S322.令q为一个空的队列，将上一时刻的(1，1)-核与
Figure FDA0004096324410000016
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
Figure FDA0004096324410000017
将
Figure FDA0004096324410000018
中的节点加入空队列q2，取出队列中的第一个节点u，其中
Figure FDA0004096324410000019
S325.当
Figure FDA0004096324410000021
同时
Figure FDA0004096324410000022
上一时刻t-1时的(k+1，h)-核，则将
Figure FDA0004096324410000023
加入到
Figure FDA0004096324410000024
否则进入S327；
S326.若
Figure FDA0004096324410000025
则将v加入到
Figure FDA0004096324410000026
将v加入到队列q2，
Figure FDA0004096324410000027
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
Figure FDA0004096324410000028
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。
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
Figure FDA0004096324410000029
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，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。
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，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
Figure FDA0004096324410000031
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
Figure FDA0004096324410000032
则将
Figure FDA0004096324410000033
加入QE；若
Figure FDA0004096324410000034
Figure FDA0004096324410000035
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
Figure FDA0004096324410000036
将
Figure FDA0004096324410000037
从上一时刻的(k，h)-核中删除；若
Figure FDA0004096324410000038
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
Figure FDA0004096324410000039
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。
CN201911168696.8A 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 Active CN110992195B (zh)

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 CN110992195A (zh) 2020-04-10
CN110992195B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
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
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
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
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

Citations (5)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
CN110992195A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110992195B (zh) 一种结合时间因子的社交网络高影响力用户识别方法
CN109902203B (zh) 基于边的随机游走的网络表示学习方法和装置
CN111581983A (zh) 基于群体分析的网络舆论事件中社会关注热点的预测方法
Cordeiro et al. Evolving networks and social network analysis methods and techniques
Gu et al. Etree: Effective and efficient event modeling for real-time online social media networks
CN111914185B (zh) 一种基于图注意力网络的社交网络中文本情感分析方法
Olmezogullari et al. Representation of click-stream datasequences for learning user navigational behavior by using embeddings
CN113515634B (zh) 基于分层异质图神经网络的社交媒体谣言检测方法及系统
König et al. From assortative to dissortative networks: the role of capacity constraints
CN112001500A (zh) 基于纵向联邦学习系统的模型训练方法、设备及存储介质
Fairbanks et al. Behavioral clusters in dynamic graphs
CN112199607A (zh) 基于可变邻域内平行社交上下文融合的微博主题挖掘方法
Zhou et al. Rank2vec: learning node embeddings with local structure and global ranking
Rao et al. An optimal machine learning model based on selective reinforced Markov decision to predict web browsing patterns
Wang et al. Use of big data tools and industrial internet of things: an overview
Aziz et al. Social network analytics: natural disaster analysis through twitter
Feng et al. Link prediction based on orbit counting and graph auto-encoder
CN112765313A (zh) 一种基于原文和评论信息分析算法的虚假信息检测方法
Wang et al. Emotion-based Independent Cascade model for information propagation in online social media
Yan et al. User recommendation with tensor factorization in social networks
Jiang et al. Efficiency improvements in social network communication via MapReduce
Liu et al. Prediction model for non-topological event propagation in social networks
Kumar et al. Potential Extensions and Updates in Social Media for Twitter Developers
Lu et al. Modeling and predicting the re-post behavior in Sina Weibo
TWI292106B (en) Method for constructing traceability ontology map and recoding medium storing traceability ontology map

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