CN111342991A - 基于跨社交网络的信息传播方法 - Google Patents
基于跨社交网络的信息传播方法 Download PDFInfo
- Publication number
- CN111342991A CN111342991A CN202010024149.9A CN202010024149A CN111342991A CN 111342991 A CN111342991 A CN 111342991A CN 202010024149 A CN202010024149 A CN 202010024149A CN 111342991 A CN111342991 A CN 111342991A
- Authority
- CN
- China
- Prior art keywords
- node
- platform
- nodes
- directed graph
- cross
- 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 42
- 238000012216 screening Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000000644 propagated effect Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003012 network analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 230000005540 biological transmission Effects 0.000 abstract description 8
- 238000009792 diffusion process Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 abstract 1
- 241000700605 Viruses Species 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (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
本发明公开一种基于跨社交网络的信息传播方法,以构建的跨平台的网络拓扑为基础,利用节点的位置中心度和网络约束值对单个平台有向图中进行分类,利用跨平台节点对的时间相似度对跨平台有向图中的每个节点进行分类,根据节点的分类获取每个节点的传播概率,建立跨社交网络的信息传播过程。本发明将信息传播过程扩展到多个社交网络中,根据用户的异质性对用户节点进行分类,从而建立跨网络的信息传播过程,使得更加符合实际中的信息扩散特征,给舆情监测与控制、产品宣传、个性化推荐等应用提供基础。
Description
技术领域
本发明属于通信技术领域,更进一步涉及网络信息传播技术领域中的基于跨社交网络的信息传播方法。本发明可用于模拟社交网络中信息传播的过程,并预测跨社交网络环境下的信息传播范围。
背景技术
由于在线平台的多样性,网络用户有可能同时活跃在两个或多个社交平台中,用户对于信息的获取和传播也可以跨越网络边界。因此互联网是由许多具有不同性质、特征的网络交叉耦合而成的复杂网络,单一的网络层仅是其子集,这种耦合存在于多个在线的社交网络之间。因此,在跨网络情况下对信息传播过程进行研究具有现实意义,可为用于跨网络环境下节点影响力研究、个性化推荐及多网络舆情控制等热点应用中。许多现有的信息传播模型仅考虑了单个网络中的用户及传播过程,未分析涉及多个网络环境的跨网络用户和网络间的信息交互问题。
南京邮电大学在其申请的专利文献“基于个体敏感度与大众媒体影响力的双层网络传播模型构建方法”(专利申请号201910015017.7,公开号109903853A)中公开了基于个体敏感度与大众媒体影响力的双层网络传播模型构建方法。该方法构建了双层网络模型,底层为演化病毒传播过程的物理接触网络,上层为描述病毒存在信息传播的社交网络,结合两层不同的传播个体状态及状态转移概率,建立随机过程的微分方程推导病毒传播阈值,再利用信息传播概率与信息遗忘概率来表征信息传播情况,从而建立传播模型。该方法存在的不足之处是,利用随机过程的微分方程分析信息传播规律,而方程的解对初始条件极为敏感,且传播概率量化困难,难于扩展实际的跨网络环境下的信息传播过程中。
中山大学在其拥有的专利技术“一种基于社交网络的消息传播模型的构建方法”(专利申请号201610357135.2,授权公告号106096075B)中公开了一种基于社交网络的消息传播模型。该方法利用网络中人群的特殊性以及社交网络中结点的度平均值,对社交网络的消息传播进行建模分。在传染病传播模型中增添“潜伏结点”,根据特殊性将人群的状态分为四类,用户在四类状态间依统一的概率转换,而从进行信息的传播。该方法存在的不足之处是,把同一状态的所有用户的转化概率设定为统一的概率,因此无法精确区分用户在传播信息过程中的个体差异性,难于准确模拟网络中信息的实际传播趋势。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种跨社交网络的信息传播模型构建方法,解决信息传播模型的参数估计困难以及无法准确估计传播趋势的问题。
实现本发明目的的具体思路是,根据每个节点在传播信息过程中具有的不同的传播能力,将节点分类为意见领袖节点,结构洞节点、边缘节点以及桥梁节点,由分类结果分别获取每个节点的传播概率,得到跨社交网络的信息传播过程,本发明在考虑个体差异性以及信息的跨网络传播特性,建立了一种更加符合现实网络中的信息传播过程的信息传播方法。
为实现上述目的,本发明具体步骤包括如下:
(1)构建跨平台的网络拓扑:
(1a)在已知的两个不同功能的社交平台中,将每个社交平台中每个用户作为有向图中的一个节点,用户与用户之间的关系作为有向图中节点之间的边,将每个社交平台对应的所有的节点以及节点之间的边组合成一个有向图,得到单个平台的有向图G1和G2;
(1b)分别将单个平台有向图G1和G2中两个相同用户的节点组成跨平台节点对,在每个跨平台节点对的两个节点之间建立一条边,将所有的跨平台节点对以及每对节点的边组成跨平台有向图G3;
(1c)将三个有向图G1、G2和G3组成跨平台的网络拓扑;
(2)对单个平台有向图中的每个节点进行分类:
(2a)利用K-shell分解方法,获取每个单个平台有向图中每个节点的位置属性值;
(2b)按照下式,分别计算两个单个平台有向图G1和G2中每个节点的位置中心度:
其中,Il,i表示第l个单个平台有向图中第i个节点的位置中心度,kl,i表示第l个单个平台有向图中第i个节点对应的位置属性值,Γl,i表示第l个单个平台有向图中第i个节点的邻居节点集合,|·|表示取绝对值操作,∑表示求和操作,ul,j表示第l个单个平台有向图中的第j个节点,∈表示属于符号,kl,j表示第l个单个平台有向图中第j个节点对应的位置属性值,indl,j表示第l个单个平台有向图中的第j个节点的入度。
(2c)利用网络约束值的计算公式,分别计算两个单个平台有向图G1和G2中每个节点的网络约束值;
(2d)将每个单个平台有向图中所有节点的位置中心度均值与所有节点的位置中心度的方差值相加,得到每个单个平台有向图的位置中心度阈值,筛选出每个位置中心度大于该阈值的节点,将筛选出的每个节点作为意见领袖节点;
(2e)用每个单个平台有向图中所有节点的网络约束值的均值减去所有节点的网络约束值的方差值,得到每个单个平台有向图的网络约束值阈值,筛选出每个网络约束值小于该阈值的节点,将筛选出的每个节点作为结构洞节点;
(2f)将每个单个平台有向图中筛选后剩余的节点作为边缘节点;
(3)对跨平台有向图中的每个节点进行分类:
(3a)搜集跨平台有向图G3中每个跨平台节点对中的两个节点对应的用户在社交平台上发布的所有信息,从中提取每条信息的发布时间,将所有发布时间按照从小到大排序,得到该节点的信息发布时间序列;
(3b)利用动态时间规整方法,计算每个跨平台节点对的两个信息发布时间序列的规整距离;
(3c)按照下式,计算每个跨平台节点对中两个节点的时间相似度值:
其中,Sq表示第q个跨平台节点对中两个节点的时间相似度值,e表示以自然常数为底的指数操作,-表示取反操作,wq表示第q个跨平台节点对的两个信息发布时间序列的规整距离;
(3d)去除时间相似度值低于0.1的跨平台节点对,将剩余跨平台节点对中的每个节点作为桥梁节点;
(4)获取每个节点的传播概率:
(4a)搜集每个意见领袖节点发布每个信息后其他节点的反馈次数,将每个意见领袖节点的所有反馈次数的最大值归一化,将该归一化值作为意见领袖节点的传播概率;
(4b)利用网络分析工具获取每个单个平台有向图中每个节点的PageRank值,将每个结构洞节点的邻居节点集合中所有节点的PageRank值的均值作为该结构洞节点的传播概率;
(4c)将每个边缘节点的传播概率设为0.01;
(4d)按照下式,计算每个桥梁节点的跨平台传播概率:
(5)跨社交网络中信息的传播:
(5a)接收到信息的节点vx在其所在的平台中发布所接收的信息,接收到该信息节点vx的每个相邻节点,以节点vx的传播概率在该相邻节点所在平台中发布该信息,完成信息在同一平台中的传播;
(5b)若接收到信息的节点vy为桥梁节点,则与桥梁节点vy处于同一节点对中的另一个桥梁节点vz以桥梁节点vy的跨平台传播概率,在桥梁节点vz所在的平台上发布桥梁节点vy接收到的信息,通过跨网络节点对完成在两个平台间信息的传播。
本发明与现有技术相比具有如下优点:
第一,本发明利用节点所获反馈次数及邻居节点的PageRank值对节点在单个平台中传播的概率进行量化,利用跨平台节点对的时间相似度和跨平台转发次数对桥梁节点的跨网络传播概率进行量化,克服了现有技术中存在的传播概率量化困难从而无法准确描述信息传播的问题,使得本发明中的信息传播更加符合网络中信息的传播规律。
第二,本发明通过分析位置中心度、网络约束值和时间相似度对每个节点进行分类,根据节点的不同分类计算了每个节点的传播概率,克服了现有技术中无法精确区分用户在信息传播过程中的个体差异性从而导致无法确定个体传播状态的问题,使得本发明能够在得到跨社交网络中信息的整体传播趋势的同时确定每个个体的传播状态。
附图说明
图1为本发明的流程图;
图2为本发明的跨平台的网络拓扑结构示意图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,对本发明实现的具体步骤做进一步的详细描述。
步骤1,构建跨平台的网络拓扑:
第一步,在已知的两个不同功能的社交平台中,将每个社交平台中每个用户作为有向图中的一个节点,用户与用户之间的关系作为有向图中节点之间的边,将每个社交平台对应的所有的节点以及节点之间的边组合成一个有向图,得到单个平台的有向图G1和G2。
第二步,分别将单个平台有向图G1和G2中两个相同用户的节点组成跨平台节点对,在每个跨平台节点对的两个节点之间建立一条边,将所有的跨平台节点对以及每对节点的边组成跨平台有向图G3。
第三步,将三个有向图G1、G2和G3组成跨平台的网络拓扑。
下面结合图2对构建完成的跨平台网络拓扑结构做进一步的描述。图2中的上下两个平行四边形分别表示单个平台有向图G1和G2,其中圆形和小方块均表示G1和G2中的节点,而小方块表示跨平台节点对中的一个节点,G1和G2中带箭头实线表示单个有向图中节点之间的边,箭头方向表示节点关注箭头终点的另一个节点的关系。由点划线组成的矩形表示跨平台有向图G3,G3中由虚线连接的实心小方块和空心小方块表示一对跨平台节点对,双箭头虚线表示G3中跨平台节点对的两个节点之间的边,且两个节点可以互相传播信息,由于G3是跨平台有向图,所以只包括由小方块指代的跨平台节点对而不包括圆形指代的其他节点。
步骤2,对单个平台有向图中的每个节点进行分类:
第一步,利用下述的K-shell分解方法,获取每个单个平台有向图中每个节点的位置属性值:
所述的K-shell分解方法具体步骤为,删除入度为0或1的节点及其相关的边,直到该有单个平台向图中所有节点的入度均大于1,得到更新后的单个平台有向图;将本步骤删除的所有节点的位置属性值设置为1;从更新后的单个平台有向图中删除入度为2的节点和相关的边,直到该单个平台有向图中所有节点的入度均大于2,得到新的单个平台有向图;将本步骤删除的所有节点的位置属性值设置为2;以此类推,直到每个单个平台有向图中的每个节点都唯一对应一个位置属性值。
第二步,按照下式,分别计算两个单个平台有向图G1和G2中每个节点的位置中心度:
其中,Il,i表示第l个单个平台有向图中第i个节点的位置中心度,kl,i表示第l个单个平台有向图中第i个节点对应的位置属性值,Γl,i表示第l个单个平台有向图中第 i个节点的邻居节点集合,|·|表示取绝对值操作,∑表示求和操作,ul,j表示第l个单个平台有向图中的第j个节点,∈表示属于符号,kl,j表示第l个单个平台有向图中第j个节点对应的位置属性值,indl,j表示第l个单个平台有向图中的第j个节点的入度。
所述邻居节点集合是指从每个单个平台有向图中找出与每个节点相连的所有节点,将找出的所有节点组成的节点集合。
第三步,利用下述网络约束值的计算公式,分别计算两个单个平台有向图G1和G2中每个节点的网络约束值:
其中,Cl,i表示第l个单个平台有向图中第i个节点的网络约束值,ul,k表示第l个单个平台有向图中的第k个节点,outdl,i表示第l个单个平台有向图中第i个节点的出度。
第四步,将每个单个平台有向图中所有节点的位置中心度均值与所有节点的位置中心度的方差值相加,得到每个单个平台有向图的位置中心度阈值,筛选出每个位置中心度大于该阈值的节点,将筛选出的每个节点作为意见领袖节点。
第五步,用每个单个平台有向图中所有节点的网络约束值的均值减去所有节点的网络约束值的方差值,得到每个单个平台有向图的网络约束值阈值,筛选出每个网络约束值小于该阈值的节点,将筛选出的每个节点作为结构洞节点。
第六步,将每个单个平台有向图中筛选后剩余的节点作为边缘节点。
步骤3,对跨平台有向图中的每个节点进行分类:
第一步,搜集跨平台有向图G3中每个跨平台节点对中的两个节点对应的用户在社交平台上发布的所有信息,从中提取每条信息的发布时间,将所有发布时间按照从小到大排序,得到该节点的信息发布时间序列。
第二步,利用下述的动态时间规整方法,计算每个跨平台节点对的两个信息发布时间序列的规整距离:
所述动态时间规整方法的具体步骤为,计算每个跨平台节点对中两个信息发布时间序列中每个元素之间的距离,得到距离矩阵,在距离矩阵中从矩阵的左下角元素至右上角元素找出一条满足单调性和连续性的累计距离最小的,将规整路径上的所有元素相加,其和作为该跨平台节点对的两个信息发布时间序列的规整距离;所述的单调性是指在规整路径上的每个元素均小于或等于下一个元素;所述的连续性是指规整路径上所有的两个元素均相邻,即该两个元素不仅在规整路径上相邻,而且在距离矩阵中也相邻。
第三步,按照下式,计算每个跨平台节点对中两个节点的时间相似度值:
其中,Sq表示第q个跨平台节点对中两个节点的时间相似度值,e表示以自然常数为底的指数操作,-表示取反操作,wq表示第q个跨平台节点对的两个信息发布时间序列的规整距离。
第四步,去除时间相似度值低于0.1的跨平台节点对,将剩余跨平台节点对中的每个节点作为桥梁节点。
步骤4,获取每个节点的传播概率:
第一步,搜集每个意见领袖节点发布每个信息后其他节点的反馈次数,将每个意见领袖节点的所有反馈次数的最大值归一化,将该归一化值作为意见领袖节点的传播概率。
第二步,利用网络分析工具获取每个单个平台有向图中每个节点的PageRank值,将每个结构洞节点的邻居节点集合中所有节点的PageRank值的均值作为该结构洞节点的传播概率。
第三步,将每个边缘节点的传播概率设为0.01。
第四步,按照下式,计算每个桥梁节点的跨平台传播概率:
步骤5,跨社交网络中信息的传播:
第一步,接收到信息的节点vx在其所在的平台中发布所接收的信息,接收到该信息节点vx的每个相邻节点,以节点vx的传播概率在该相邻节点所在平台中发布该信息,完成信息在同一平台中的传播。
第二步,若接收到信息的节点vy为桥梁节点,则与桥梁节点vy处于同一节点对中的另一个桥梁节点vz以桥梁节点vy的跨平台传播概率,在桥梁节点vz所在的平台上发布桥梁节点vy接收到的信息,通过跨网络节点对完成在两个平台间信息的传播。
Claims (5)
1.基于跨社交网络的信息传播方法,其特征在于,对单个平台有向图及跨平台有向图中的每个节点进行分类,获取每个节点的传播概率;该方法的具体步骤包括如下:
(1)构建跨平台的网络拓扑:
(1a)在已知的两个不同功能的社交平台中,将每个社交平台中每个用户作为有向图中的一个节点,用户与用户之间的关系作为有向图中节点之间的边,将每个社交平台对应的所有的节点以及节点之间的边组合成一个有向图,得到单个平台的有向图G1和G2;
(1b)分别将单个平台有向图G1和G2中两个相同用户的节点组成跨平台节点对,在每个跨平台节点对的两个节点之间建立一条边,将所有的跨平台节点对以及每对节点的边组成跨平台有向图G3;
(1c)将三个有向图G1、G2和G3组成跨平台的网络拓扑;
(2)对单个平台有向图中的每个节点进行分类:
(2a)利用K-shell分解方法,获取每个单个平台有向图中每个节点的位置属性值;
(2b)按照下式,分别计算两个单个平台有向图G1和G2中每个节点的位置中心度:
其中,Il,i表示第l个单个平台有向图中第i个节点的位置中心度,kl,i表示第l个单个平台有向图中第i个节点对应的位置属性值,Γl,i表示第l个单个平台有向图中第i个节点的邻居节点集合,|·|表示取绝对值操作,∑表示求和操作,ul,j表示第l个单个平台有向图中的第j个节点,∈表示属于符号,kl,j表示第l个单个平台有向图中第j个节点对应的位置属性值,indl,j表示第l个单个平台有向图中的第j个节点的入度;
(2c)利用网络约束值的计算公式,分别计算两个单个平台有向图G1和G2中每个节点的网络约束值;
(2d)将每个单个平台有向图中所有节点的位置中心度均值与所有节点的位置中心度的方差值相加,得到每个单个平台有向图的位置中心度阈值,筛选出每个位置中心度大于该阈值的节点,将筛选出的每个节点作为意见领袖节点;
(2e)用每个单个平台有向图中所有节点的网络约束值的均值减去所有节点的网络约束值的方差值,得到每个单个平台有向图的网络约束值阈值,筛选出每个网络约束值小于该阈值的节点,将筛选出的每个节点作为结构洞节点;
(2f)将每个单个平台有向图中筛选后剩余的节点作为边缘节点;
(3)对跨平台有向图中的每个节点进行分类:
(3a)搜集跨平台有向图G3中每个跨平台节点对中的两个节点对应的用户在社交平台上发布的所有信息,从中提取每条信息的发布时间,将所有发布时间按照从小到大排序,得到该节点的信息发布时间序列;
(3b)利用动态时间规整方法,计算每个跨平台节点对的两个信息发布时间序列的规整距离;
(3c)按照下式,计算每个跨平台节点对中两个节点的时间相似度值:
其中,Sq表示第q个跨平台节点对中两个节点的时间相似度值,e表示以自然常数为底的指数操作,-表示取反操作,wq表示第q个跨平台节点对的两个信息发布时间序列的规整距离;
(3d)去除时间相似度值低于0.1的跨平台节点对,将剩余跨平台节点对中的每个节点作为桥梁节点;
(4)获取每个节点的传播概率:
(4a)搜集每个意见领袖节点发布每个信息后其他节点的反馈次数,将每个意见领袖节点的所有反馈次数的最大值归一化,将该归一化值作为意见领袖节点的传播概率;
(4b)利用网络分析工具获取每个单个平台有向图中每个节点的PageRank值,将每个结构洞节点的邻居节点集合中所有节点的PageRank值的均值作为该结构洞节点的传播概率;
(4c)将每个边缘节点的传播概率设为0.01;
(4d)按照下式,计算每个桥梁节点的跨平台传播概率:
(5)跨社交网络中信息的传播:
(5a)接收到信息的节点vx在其所在的平台中发布所接收的信息,接收到该信息节点vx的每个相邻节点,以节点vx的传播概率在该相邻节点所在平台中发布该信息,完成信息在同一平台中的传播;
(5b)若接收到信息的节点vy为桥梁节点,则与桥梁节点vy处于同一节点对中的另一个桥梁节点vz以桥梁节点vy的跨平台传播概率,在桥梁节点vz所在的平台上发布桥梁节点vy接收到的信息,通过跨网络节点对完成在两个平台间信息的传播。
2.根据权利要求1所述的基于跨社交网络的信息传播方法,其特征在于,步骤(2a)中所述K-shell分解方法的具体步骤如下:
第一步,删除入度为0或1的节点及其相关的边,直到该有单个平台向图中所有节点的入度均大于1,得到更新后的单个平台有向图;将本步骤删除的所有节点的位置属性值设置为1;
第二步,从更新后的单个平台有向图中删除入度为2的节点和相关的边,直到该单个平台有向图中所有节点的入度均大于2,得到新的单个平台有向图;将本步骤删除的所有节点的位置属性值设置为2;
第三步,以此类推,直到每个单个平台有向图中的每个节点都唯一对应一个位置属性值。
3.根据权利要求1所述的基于跨社交网络的信息传播方法,其特征在于,步骤(2b)、步骤(4b)中所述邻居节点集合是指从每个单个平台有向图中找出与每个节点相连的所有节点,将找出的所有节点组成的节点集合。
5.根据权利要求1所述的基于跨社交网络的信息传播方法,其特征在于,步骤(3b)中所述的动态时间规整方法具体步骤是:计算每个跨平台节点对中两个信息发布时间序列中每个元素之间的距离,得到距离矩阵,在距离矩阵中从矩阵的左下角元素至右上角元素找出一条满足单调性和连续性的累计距离最小的,将规整路径上的所有元素相加,其和作为该跨平台节点对的两个信息发布时间序列的规整距离;所述的单调性是指在规整路径上的每个元素均小于或等于下一个元素;所述的连续性是指规整路径上所有的两个元素均相邻,即该两个元素不仅在规整路径上相邻,而且在距离矩阵中也相邻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010024149.9A CN111342991B (zh) | 2020-01-10 | 2020-01-10 | 基于跨社交网络的信息传播方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010024149.9A CN111342991B (zh) | 2020-01-10 | 2020-01-10 | 基于跨社交网络的信息传播方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111342991A true CN111342991A (zh) | 2020-06-26 |
CN111342991B CN111342991B (zh) | 2022-03-04 |
Family
ID=71183378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010024149.9A Active CN111342991B (zh) | 2020-01-10 | 2020-01-10 | 基于跨社交网络的信息传播方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111342991B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084423A (zh) * | 2020-08-31 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 一种信息发布平台推荐方法及装置 |
CN112800301A (zh) * | 2021-03-19 | 2021-05-14 | 湖南人文科技学院 | 一种舆情大数据处理系统及方法 |
CN117766157A (zh) * | 2023-12-25 | 2024-03-26 | 山东师范大学 | 基于双重网络的疾病传播预测系统、存储介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017023322A1 (en) * | 2015-08-06 | 2017-02-09 | Hewlett Packard Enterprise Development Lp | Influence spread maximization in social networks |
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 |
CN109446434A (zh) * | 2018-10-24 | 2019-03-08 | 重庆理工大学 | 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 |
-
2020
- 2020-01-10 CN CN202010024149.9A patent/CN111342991B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017023322A1 (en) * | 2015-08-06 | 2017-02-09 | Hewlett Packard Enterprise Development Lp | Influence spread maximization in social networks |
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 |
CN109446434A (zh) * | 2018-10-24 | 2019-03-08 | 重庆理工大学 | 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 |
Non-Patent Citations (6)
Title |
---|
PARIDHI JAIN等: "Cross-Pollination of Information in Online Social Media: A Case Study on Popular Social Networks", 《2011 IEEE THIRD INTERNATIONAL CONFERENCE ON PRIVACY, SECURITY, RISK AND TRUST AND 2011 IEEE THIRD INTERNATIONAL CONFERENCE ON SOCIAL COMPUTING》 * |
张米等: "基于多特征信息传播模型的微博意见领袖挖掘", 《中文信息学报》 * |
杜洪涛等: "基于社会网络分析的微博社区网络结构及传播特性研究", 《情报学报》 * |
毋建军: "社交网络信息传播影响力研究范式", 《长沙大学学报》 * |
王黎明: "社交网络中影响力建模和基于信息传播可靠性的信息传播问题的研究", 《万方学位论文》 * |
霍朝光等: "社交舆情传播影响因素研究述评――基于复杂网络视角", 《现代情报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084423A (zh) * | 2020-08-31 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 一种信息发布平台推荐方法及装置 |
CN112084423B (zh) * | 2020-08-31 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 一种信息发布平台推荐方法及装置 |
CN112800301A (zh) * | 2021-03-19 | 2021-05-14 | 湖南人文科技学院 | 一种舆情大数据处理系统及方法 |
CN112800301B (zh) * | 2021-03-19 | 2023-10-31 | 湖南人文科技学院 | 一种舆情大数据处理系统及方法 |
CN117766157A (zh) * | 2023-12-25 | 2024-03-26 | 山东师范大学 | 基于双重网络的疾病传播预测系统、存储介质及设备 |
CN117766157B (zh) * | 2023-12-25 | 2024-06-11 | 山东师范大学 | 基于双重网络的疾病传播预测系统、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111342991B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111342991B (zh) | 基于跨社交网络的信息传播方法 | |
Gong et al. | Evolution of social-attribute networks: measurements, modeling, and implications using google+ | |
CN113792937B (zh) | 一种基于图神经网络的社交网络影响力预测方法、装置 | |
CN111159425A (zh) | 一种基于历史关系和双图卷积网络的时态知识图谱表示方法 | |
Topirceanu et al. | Weighted betweenness preferential attachment: A new mechanism explaining social network formation and evolution | |
CN111126674B (zh) | 基于深度模型的传播预测方法及其系统 | |
CN113032238B (zh) | 基于应用知识图谱的实时根因分析方法 | |
CN111241421B (zh) | 基于社交上下文信息的用户转发行为预测方法 | |
CN112256981A (zh) | 一种基于线性和非线性传播的谣言检测方法 | |
WO2023207013A1 (zh) | 一种基于图嵌入的关系图谱关键人员分析方法及系统 | |
Holme et al. | Impact of misinformation in temporal network epidemiology | |
Selvarajah et al. | Dynamic network link prediction by learning effective subgraphs using CNN-LSTM | |
CN115270782A (zh) | 基于图神经网络的事件传播流行度预测方法 | |
Zeng et al. | Influential simplices mining via simplicial convolutional network | |
CN113761286B (zh) | 一种知识图谱的图嵌入方法、装置及电子设备 | |
CN112380455A (zh) | 基于反溯源安全受控入网通道的境内外互联网数据定向隐蔽采集方法 | |
Ponveni et al. | A review on community detection algorithms and evaluation measures in social networks | |
Wang et al. | Enhanced by mobility? Effect of users’ mobility on information diffusion in coupled online social networks | |
CN114297498A (zh) | 一种基于关键传播结构感知的意见领袖识别方法和装置 | |
Hamlili | Intelligibility of Erdös-Rényi random graphs and time varying social network modeling | |
Liu et al. | Prediction model for non-topological event propagation in social networks | |
Xu et al. | Locating experts via online social networks | |
Miao et al. | Embedding based cross-network user identity association technology | |
Orangi et al. | An activity-based user trusting behavior diffusion model in social networks | |
Ma et al. | Ego-centric network sampling in viral marketing applications |
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 |