CN111401626B - 基于六度分隔理论的社交网络数值优化方法、系统及介质 - Google Patents
基于六度分隔理论的社交网络数值优化方法、系统及介质 Download PDFInfo
- Publication number
- CN111401626B CN111401626B CN202010171641.9A CN202010171641A CN111401626B CN 111401626 B CN111401626 B CN 111401626B CN 202010171641 A CN202010171641 A CN 202010171641A CN 111401626 B CN111401626 B CN 111401626B
- Authority
- CN
- China
- Prior art keywords
- point
- social network
- search
- optimal solution
- evaluation function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000000926 separation method Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 71
- 238000004364 calculation method Methods 0.000 claims abstract description 48
- 238000010276 construction Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 63
- 238000004590 computer program Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 88
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011273 social behavior Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (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
本发明公开的一种基于六度分隔理论的社交网络数值优化方法,包括:构建社交网络模型,设立连接中心、线上好友和线下好友三类节点,组建以社交集群为基本构成单位的社交网络结构;将待求解的目标函数构造成评价函数,使得目标函数求得最优解时,对应的评价函数取得最大值;计算目标函数的最优解的整数部分;计算目标函数的最优解的小数部分;将目标函数的最优解的整数部分和小数部分相加,得到目标函数的最优解。本发明的有益效果:通过仿真人与人的社交网络,提升社交网络的全局寻优能力和计算精度。
Description
技术领域
本发明涉及计算机的技术领域,具体涉及一种基于六度分隔理论的社交网络数值优化方法、系统及介质。
背景技术
群智能优化算法是近几十年发展起来的一类仿生模拟进化算法,其具有操作简单、便于并行处理、鲁棒性强等特点,经典算法如蚁群算法、粒子群算法等。这类算法将问题的所有可能解集看作解空间,从代表问题可能解的一个子集开始,通过对该子集施加某种算子操作产生新的解集,并逐渐使种群进化到包含最优解或近似最优解的状态。现有的群智能优化算法大多由动物的社会行为机制而设计出来,很少仿真人的社会行为机制,而人与动物的区别在于,人可形成独有的社交关系网络。
1967年,美国哈佛大学的心理学教授Stanley Milgram的连锁信实验揭示了“六度分隔现象”,简单地说,你和任何一个陌生人之间所间隔的人不会超过六个。该现象是人类社交关系网络的一种体现。目前,六度分隔理论主要应用于SNS、Web2.0、信息传播、小世界模型研究、化学研究等多个领域,但在数值优化计算方面却鲜有涉及。
基于六度分隔理论实现数值优化计算的前提,是构建出一个可以模拟人与人之间社交关系的复杂网络。1988年,Waxman首次提出一种随机网络拓扑生成模型。1998年Watts和Strogatz开创性地提出了小世界网络的概念,构建了WS模型。后来,Newman和Watts进一步提出了NW模型。1999年,Albert和Barabasi通过对网页数据的研究发现其度分布不是想象中的泊松分布,而是遵循一种幂律分布,进而提出BA模型。复杂网络的应用极其广泛,涉及能源互联网、电力网络、航空网络、交通网络、病毒传播、生物体神经网络等多个领域。但上述经典网络旨在探究人类社会复杂网络的统一规律,并不适用于模拟人与人的社交关系。
发明内容
针对现有技术中的缺陷,本发明实施例提供一种基于六度分隔理论的社交网络数值优化方法、系统及介质,通过仿真人与人的社交网络,提升社交网络的全局寻优能力和计算精度。
第一方面,本发明实施例提供的一种基于六度分隔理论的社交网络数值优化方法,包括:
构建社交网络模型,设立连接中心、线上好友和线下好友三类节点,组建以社交集群为基本构成单位的社交网络结构;
将待求解的目标函数构造成评价函数,使得目标函数求得最优解时,对应的评价函数取得最大值;
计算目标函数的最优解的整数部分;
计算目标函数的最优解的小数部分;
将目标函数的最优解的整数部分和小数部分相加,得到目标函数的最优解。
第二方面,本发明实施例提供的一种基于六度分隔理论的社交网络数值优化系统,包括社交网络模型构建模块、评价函数构建模块、第一计算模块、第二计算模块和最优解计算模块;
所述社交网络模型构建模块用于构建社交网络模型,设立连接中心、线上好友和线下好友三类节点,组建以社交集群为基本构成单位的社交网络结构;
所述评价函数构建模块用于将待求解的目标函数构造成评价函数,使得目标函数求得最优解时,对应的评价函数取得最大值;
所述第一计算模块用于计算目标函数的最优解的整数部分;
所述第二计算模块用于计算目标函数的最优解的小数部分;
所述最优解计算模块用于将第一计算模块得到的目标函数的最优解的整数部分和第二计算模块计算得到的目标函数的最优解的小数部分相加,得到目标函数的最优解。
第三方面,本发明实施例提供的一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
本发明的有益效果:
本发明实施例提供的一种基于六度分隔理论的社交网络数值优化方法、系统及介质,通过仿真人与人的社交网络,提升社交网络的全局寻优能力和计算精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种基于六度分隔理论的社交网络数值优化方法的流程图;
图2示出了本发明第一实施例中步骤S1的具体方法的流程图;
图3示出了本发明第一实施例中步骤S3的具体方法的流程图;
图4示出了本发明第一实施例中步骤S4的具体方法的流程图;
图5示出了本发明另一实施例所提供的一种基于六度分隔理论的社交网络数值优化系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
请参考图1-4,本发明第一实施例所提供的一种基于六度分隔理论的社交网络数值优化方法包括:
S1:构建社交网络模型,设立连接中心、线上好友和线下好友三类节点,组建以社交集群为基本构成单位的社交网络结构。
社交网络模型与六度分隔理论的关系为:根据六度分割理论,在一般的社交网络中,两个人之间最多需要6人就可以建立联系,即社交网络中两元素间的最大信件递交频次为7。考虑到计算的复杂性与准确率之间的平衡,折中取最大信件递交频次为4。一般情况下,同一社交集群的元素之间产生连接,只需要这个集群的连接中心作为中转,两个元素间信件递交频次为2;不同社交集群的元素之间产生连接,依次需要前一个集群的连接中心、线上好友和后一个集群的连接中心作为中转,两个元素间的信件递交频次为4。因此在绝大多数情况下,矩阵中的任意两个元素间的信件递交频次最多为4。
具体地,构建社交网络模型的具体方法包括:
S11:生成一个方阵作为地域矩阵。
本实施例中,设定地域矩阵大小为100乘100,故元素总数为10000。地域矩阵的左上角为坐标原点。
S12:确定连接中心的个数及连接中心在地域矩阵中的位置。
引入集群因子c1,c1取值为0.1,与元素总数相乘确定连接中心的个数,连接中心的个数为1000,并随机确定连接中心在地域矩阵中的位置。
S13:确定线下连接关系。
在本实施例中,将分布在连接中心周围,并与其相连的元素统称为线下好友。连接中心向外的辐射层数m为5,即共有5层的周围元素与连接中心相连形成一个社交集群。连接中心与社交集群内部所有线下好友直接相连,但线下好友之间互不连接。
S14:确定线上连接关系。
在本实施例中将距连接中心较远、分布在社交集群外部并与其相连的元素统称为线上好友。引入离散因子c2,c2取值为0.3,并与元素总数相乘确定线上好友个数,线上好友个数为3000,并随机确定其在社交集群外部的位置,并与该连接中心相连。
S15:定义邻接矩阵。
定义邻接矩阵M∈Rn×n表示地域矩阵中每个元素的连接关系,当Mij=0时,表示元素i与元素j之间不连接;当Mij=1时,表示元素i与元素j直接连接,并且两元素间信件递交频次为1。
S2:将待求解的目标函数构造成评价函数,使得目标函数求得最优解时,对应的评价函数取得最大值。
评价函数总是非负的,而目标函数可能有正有负,故需要在目标函数与评价函数之间进行变换,保证评价函数值越大,目标函数求解更优。
S3:计算目标函数的最优解的整数部分。
具体地,S31:在地域矩阵中选择任意节点作为计算的第一初始点,将第一初始点的位置坐标代入评价函数中求解得到第一解并储存。
S32:搜索社交网络模型中与所述第一初始点在邻接矩阵上对应位置值为1的点作为第一搜索结果,将第一搜索结果的位置坐标依次代入评价函数求解得到第一搜索解并储存,找出所有第一搜索解中的最大值和第一搜索解中的最大值所对应点的位置坐标。
S33:判断第一初始点评价函数值是否大于所有第一搜索解中的最大值。
S34:若是,则第一初始点为最终点,第一初始点的位置坐标为目标函数最优解的整数部分。
S35:或者,若否,将所有第一搜索解中的最大值和第一搜索解中的最大值所对应点的位置坐标作为第二初始点和第二初始点的位置坐标进行反复迭代求解,直到一个节点的所有连接节点的评价函数值均没有整数求解部分的最后一个节点的评价函数值大,则停止计算,整数求解部分的最后一个节点的位置坐标为目标函数的最优解的整数部分。
在搜索社交网络模型中与第一初始点在邻接矩阵上对应位置值为1的点作为第一搜索结果的步骤之后还包括:
判断所述第一搜索结果是否落入地域矩阵的边界区域;
若是,则发生地域拓展。
当最后一个节点落在地域矩阵(x<15,y<15)区域内时,地域矩阵向左上角拓展;落在矩阵的(x<15,y>85)区域时,地域矩阵向右上角拓展;落在矩阵的(x>85,y<15)区域内时,地域矩阵向左下角拓展;落在矩阵的(x>85,y>85)区域内时,地域矩阵向右下角拓展;落在矩阵的(15<x<85,y<15)区域内时,地域矩阵向左平移拓展;落在矩阵的(15<x<85,y>85)区域内时,地域矩阵向右平移拓展;落在矩阵的(x<15,15<y<85)区域内时,地域矩阵向上垂直拓展;落在矩阵的(x>85,15<y<85)区域内时,地域矩阵向下垂直拓展。
S4:计算目标函数的最优解的小数部分。
具体地,S41:在步骤S35中确定的整数求解部分的最后一个节点的四个对角点,将四个对角点的位置坐标代入评价函数中得到的四个解并与整数求解部分的最后一个节点的位置坐标代入评价函数的解进行比较,得到四个解中的最大值及其对应的对角点坐标,并将所述四个解中的最大值所对应的对角点标记为A点。
S42:在地域矩阵中任意选择一个节点作为计算的第三初始点,将第三初始点的位置坐标缩小设定精度相应的倍数,加上A点的坐标,代入评价函数中求解得到第三解并储存。
精度相应的倍数是指若实验条件足够,可以将地域矩阵一次性等分满足求解精度的份数。若等分成一万份,地域矩阵大小为100乘100,小数解可精确到两位数,若等分成一百万份,矩阵大小为1000乘1000,小数解可精确到三位数,此时两位数精度相应的倍数为100,三位数精度相应的倍数为1000。在本实施例中,地域矩阵为100乘100,小数解可精确到两位数。
S43:搜索社交网络模型中与所述第三初始点在邻接矩阵上对应位置值为1的点作为第二搜索结果,将第二搜索结果的位置坐标缩小设定精度相应的倍数,加上A点的坐标后依次代入评价函数求解得到第二搜索解并储存,找出所有第二搜索解中的最大值和第二搜索解中的最大值所对应点的位置坐标。
S44:判断第三初始点评价函数值是否大于所有第二搜索解中的最大值。
S45:若是,则第三初始点为最终点,第三初始点的位置坐标缩小设定精度相应的倍数得到的值为目标函数最优解的小数部分。
S46:或者,若否,将所有第二搜索解中的最大值和第二搜索解中的最大值所对应点的位置坐标作为第四初始点和第四初始点的位置坐标进行反复迭代求解,直到一个节点的所有连接节点的评价函数值均比小数求解部分的最后一个节点的评价函数值小,则停止计算,小数求解部分的最后一个节点的位置坐标缩小设定精度相应的倍数为目标函数的最优解的小数部分。
S5:将目标函数的最优解的整数部分和小数部分相加,得到目标函数的最优解。
利用社交网络数值优化方法求解目标函数的最大值,其表达式为:
任选一个初始点(20,20),按照步骤S31~S35进行搜索,搜索到目标函数的最优解的整数部分为(49,49),每次迭代产生的最优解见表1中的前四列。任选一个初始点(42,8),按照步骤S41~S46的方法进行搜索,搜索到最后一个节点的位置坐标为(100,100),每次迭代产生的最优解见表1中的后三列。将最后一个节点的位置坐标为(100,100)缩小100倍得到目标函数的最优解的小数部分为(1.00,1.00)。将整数解和小数解相加,得到目标函数的最优解(50,50)。
表1 目标函数逐步寻优得到的最优解表。
为了验证本实施例的方法计算的最优解的准确性,按照上述方法再对目标函数计算10次,取平均值的结果见表2。本实施例用来测试的目标函数在(50,50)处可取得最大值,其目标函数的最大值为1.1512.观察表2中数据可以发现,本实施例算法求解的平均最大值为1.1424,x值为49.99,y值为49.98;结果接近全局最优解,甚至在个别计算中精确求得了最优解。
表2社交网络数值优化方法的计算结果表。
本发明实施例提供的一种基于六度分隔理论的社交网络数值优化方法,通过仿真人与人的社交网络,提升社交网络的全局寻优能力和计算精度。
在上述的第一实施例中,提供了一种基于六度分隔理论的社交网络数值优化方法,与之相对应的,本申请还提供一种基于六度分隔理论的社交网络数值优化系统。请参考图5,其为本发明第二实施例提供的一种基于六度分隔理论的社交网络数值优化系统的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
如图5所示,示出了本发明另一实施例提供的基于六度分隔理论的社交网络数值优化系统的结构示意图,该系统包括:社交网络模型构建模块、评价函数构建模块、第一计算模块、第二计算模块和最优解计算模块。
社交网络模型构建模块用于构建社交网络模型,设立连接中心、线上好友和线下好友三类节点,组建以社交集群为基本构成单位的社交网络结构。
评价函数构建模块用于将待求解的目标函数构造成评价函数,使得目标函数求得最优解时,对应的评价函数取得最大值。
第一计算模块用于计算目标函数的最优解的整数部分。
第二计算模块用于计算目标函数的最优解的小数部分。
最优解计算模块用于将第一计算模块得到的目标函数的最优解的整数部分和第二计算模块计算得到的目标函数的最优解的小数部分相加,得到目标函数的最优解。
在本实施例中,社交网络模型构建模块构建社交网络模型的具体方法包括:
生成一个方阵作为地域矩阵;
确定连接中心的个数及连接中心在地域矩阵中的位置;
确定连接中心与社交集群内部所有好友的连接关系;
确定线上连接关系;
定义邻接矩阵。
在本实施例中,第一计算模块计算目标函数的最优解的整数部分的具体方法包括:
在地域矩阵中选择任意节点作为第一初始点,将第一初始点的位置坐标代入评价函数中求解得到第一解并储存;
搜索社交网络模型中与所述第一初始点在邻接矩阵上对应位置值为1的点作为第一搜索结果,将第一搜索结果的位置坐标依次代入评价函数求解得到第一搜索解并储存,找出所有第一搜索解中的最大值和第一搜索解中的最大值所对应点的位置坐标;
判断第一初始点评价函数值是否大于所有第一搜索解中的最大值;
若是,则第一初始点为最终点,第一初始点的位置坐标为目标函数最优解的整数部分;
或者若否,将所有第一搜索解中的最大值和第一搜索解中的最大值所对应点的位置坐标作为第二初始点和第二初始点的位置坐标进行反复迭代求解,直到一个节点的所有连接节点的评价函数值均比最后一个节点的评价函数值小,则停止计算,整数求解部分的最后一个节点的位置坐标为目标函数的最优解的整数部分。
在本实施例中,第二计算模块计算目标函数的最优解的小数部分的具体方法包括:
根据所述最后一个节点的四个对角点,将四个对角点的位置坐标代入评价函数中得到的四个解并与最后一个节点的位置坐标代入评价函数的解进行比较,得到四个解中的最大值及四个解中的最大值所对应的对角点坐标,并将所述四个解中的最大值所对应的对角点标记为A点;
在地域矩阵中任意选择一个节点作为计算的第三初始点,将第三初始点的位置坐标缩小设定精度相应的倍数,加上A点的坐标,代入评价函数中求解得到第三解并储存;
搜索社交网络模型中与所述第三初始点在邻接矩阵上对应位置值为1的点作为第二搜索结果,将第二搜索结果的位置坐标缩小设定精度相应的倍数,加上A点的坐标后依次代入评价函数求解得到第二搜索解并储存,找出所有第二搜索解中的最大值和第二搜索解中的最大值所对应点的位置坐标;
判断第三初始点评价函数值是否大于所有第二搜索解中的最大值;
若是,则第三初始点为最终点,第三初始点的位置坐标缩小设定精度相应的倍数得到的值为目标函数最优解的小数部分;
或者若否,将所有第二搜索解中的最大值和第二搜索解中的最大值所对应点的位置坐标作为第四初始点和第四初始点的位置坐标进行反复迭代求解,直到一个节点的所有连接节点的评价函数值均比小数求解部分的最后一个节点的评价函数值小,则停止计算,小数求解部分的最后一个节点的位置坐标缩小设定精度相应的倍数为目标函数的最优解的小数部分。
本发明实施例提供的一种基于六度分隔理论的社交网络数值优化系统,通过仿真人与人的社交网络,提升社交网络的全局寻优能力和计算精度。
本发明另一实施例还提供一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
所述计算机可读存储介质可以是前述实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于六度分隔理论的社交网络数值优化方法,其特征在于,包括:
构建社交网络模型,设立连接中心、线上好友和线下好友三类节点,组建以社交集群为基本构成单位的社交网络结构;
将待求解的目标函数构造成评价函数,使得目标函数求得最优解时,对应的评价函数取得最大值;
计算目标函数的最优解的整数部分;
计算目标函数的最优解的小数部分;
将目标函数的最优解的整数部分和小数部分相加,得到目标函数的最优解。
2.如权利要求1所述的基于六度分隔理论的社交网络数值优化方法,其特征在于,所述构建社交网络模型的具体方法包括:
生成一个方阵作为地域矩阵;
确定连接中心的个数及连接中心在地域矩阵中的位置;
确定连接中心与社交集群内部所有好友的连接关系;
确定线上连接关系;
定义邻接矩阵。
3.如权利要求2所述的基于六度分隔理论的社交网络数值优化方法,其特征在于,所述计算目标函数的最优解的整数部分的具体方法包括:
在地域矩阵中选择任意节点作为计算的第一初始点,将第一初始点的位置坐标代入评价函数中求解得到第一解并储存;
搜索社交网络模型中与所述第一初始点在邻接矩阵上对应位置值为1的点作为第一搜索结果,将第一搜索结果的位置坐标依次代入评价函数求解得到第一搜索解并储存,找出所有第一搜索解中的最大值和第一搜索解中的最大值所对应点的位置坐标;
判断第一初始点评价函数值是否大于所有第一搜索解中的最大值;
若是,则第一初始点为最终点,第一初始点的位置坐标为目标函数最优解的整数部分;
或者若否,将所有第一搜索解中的最大值和第一搜索解中的最大值所对应点的位置坐标作为第二初始点和第二初始点的位置坐标进行反复迭代求解,直到一个节点的所有连接节点的评价函数值均比整数求解部分的最后一个节点的评价函数值小,则停止计算,整数求解部分的最后一个节点的位置坐标为目标函数的最优解的整数部分。
4.如权利要求3所述的基于六度分隔理论的社交网络数值优化方法,其特征在于,在所述搜索社交网络模型中与第一初始点在邻接矩阵上对应位置值为1的点作为第一搜索结果的步骤之后还包括:
判断所述第一搜索结果是否落入地域矩阵的边界区域;
若是,则发生地域拓展。
5.如权利要求3所述的基于六度分隔理论的社交网络数值优化方法,其特征在于,所述计算目标函数的最优解的小数部分的具体方法包括:
根据所述整数求解部分的最后一个节点的四个对角点,将四个对角点的位置坐标代入评价函数中得到的四个解并与整数求解部分的最后一个节点的位置坐标代入评价函数的解进行比较,得到四个解中的最大值及四个解中的最大值所对应的对角点坐标,并将所述四个解中的最大值所对应的对角点标记为A点;
在地域矩阵中任意选择一个节点作为计算的第三初始点,将第三初始点的位置坐标缩小设定精度相应的倍数,加上A点的坐标,代入评价函数中求解得到第三解并储存;
搜索社交网络模型中与所述第三初始点在邻接矩阵上对应位置值为1的点作为第二搜索结果,将第二搜索结果的位置坐标缩小设定精度相应的倍数,加上A点的坐标后依次代入评价函数求解得到第二搜索解并储存,找出所有第二搜索解中的最大值和第二搜索解中的最大值所对应点的位置坐标;
判断第三初始点评价函数值是否大于所有第二搜索解中的最大值;
若是,则第三初始点为最终点,第三初始点的位置坐标缩小设定精度相应的倍数得到的值为目标函数最优解的小数部分;
或者若否,将所有第二搜索解中的最大值和第二搜索解中的最大值所对应点的位置坐标作为第四初始点和第四初始点的位置坐标进行反复迭代求解,直到一个节点的所有连接节点的评价函数值均比小数求解部分的最后一个节点的评价函数值小,则停止计算,小数求解部分的最后一个节点的位置坐标缩小设定精度相应的倍数为目标函数的最优解的小数部分。
6.一种基于六度分隔理论的社交网络数值优化系统,其特征在于,包括社交网络模型构建模块、评价函数构建模块、第一计算模块、第二计算模块和最优解计算模块,
所述社交网络模型构建模块用于构建社交网络模型,设立连接中心、线上好友和线下好友三类节点,组建以社交集群为基本构成单位的社交网络结构;
所述评价函数构建模块用于将待求解的目标函数构造成评价函数,使得目标函数求得最优解时,对应的评价函数取得最大值;
所述第一计算模块用于计算目标函数的最优解的整数部分;
所述第二计算模块用于计算目标函数的最优解的小数部分;
所述最优解计算模块用于将第一计算模块得到的目标函数的最优解的整数部分和第二计算模块计算得到的目标函数的最优解的小数部分相加,得到目标函数的最优解。
7.如权利要求6所述的基于六度分隔理论的社交网络数值优化系统,其特征在于,所述社交网络模型构建模块构建社交网络模型的具体方法包括:
生成一个方阵作为地域矩阵;
确定连接中心的个数及连接中心在地域矩阵中的位置;
确定连接中心与社交集群内部所有好友的连接关系;
确定线上连接关系;
定义邻接矩阵。
8.如权利要求7所述的基于六度分隔理论的社交网络数值优化系统,其特征在于,所述第一计算模块计算目标函数的最优解的整数部分的具体方法包括:
在地域矩阵中选择任意节点作为第一初始点,将第一初始点的位置坐标代入评价函数中求解得到第一解并储存;
搜索社交网络模型中与所述第一初始点在邻接矩阵上对应位置值为1的点作为第一搜索结果,将第一搜索结果的位置坐标依次代入评价函数求解得到第一搜索解并储存,找出所有第一搜索解中的最大值和第一搜索解中的最大值所对应点的位置坐标;
判断第一初始点评价函数值是否大于所有第一搜索解中的最大值;
若是,则第一初始点为最终点,第一初始点的位置坐标为目标函数最优解的整数部分;
或者若否,将所有第一搜索解中的最大值和第一搜索解中的最大值所对应点的位置坐标作为第二初始点和第二初始点的位置坐标进行反复迭代求解,直到一个节点的所有连接节点的评价函数值均比整数求解部分的最后一个节点的评价函数值小,则停止计算,整数求解部分的最后一个节点的位置坐标为目标函数的最优解的整数部分。
9.如权利要求8所述的基于六度分隔理论的社交网络数值优化系统,其特征在于,所述第二计算模块计算目标函数的最优解的小数部分的具体方法包括:
根据整数求解部分的最后一个节点的四个对角点,将四个对角点的位置坐标代入评价函数中得到的四个解并与整数求解部分的最后一个节点的位置坐标代入评价函数的解进行比较,得到四个解中的最大值及四个解中的最大值所对应的对角点坐标,并将所述四个解中的最大值所对应的对角点标记为A点;
在地域矩阵中任意选择一个节点作为计算的第三初始点,将第三初始点的位置坐标缩小设定精度相应的倍数,加上A点的坐标,代入评价函数中求解得到第三解并储存;
搜索社交网络模型中与所述第三初始点在邻接矩阵上对应位置值为1的点作为第二搜索结果,将第二搜索结果的位置坐标缩小设定精度相应的倍数,加上A点的坐标后依次代入评价函数求解得到第二搜索解并储存,找出所有第二搜索解中的最大值和第二搜索解中的最大值所对应点的位置坐标;
判断第三初始点评价函数值是否大于所有第二搜索解中的最大值;
若是,则第三初始点为最终点,第三初始点的位置坐标缩小设定精度相应的倍数得到的值为目标函数最优解的小数部分;
或者若否,将所有第二搜索解中的最大值和第二搜索解中的最大值所对应点的位置坐标作为第四初始点和第四初始点的位置坐标进行反复迭代求解,直到一个节点的所有连接节点的评价函数值均比小数求解部分的最后一个节点的评价函数值小,则停止计算,小数求解部分的最后一个节点的位置坐标缩小设定精度相应的倍数为目标函数的最优解的小数部分。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使处理器执行权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171641.9A CN111401626B (zh) | 2020-03-12 | 2020-03-12 | 基于六度分隔理论的社交网络数值优化方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171641.9A CN111401626B (zh) | 2020-03-12 | 2020-03-12 | 基于六度分隔理论的社交网络数值优化方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401626A CN111401626A (zh) | 2020-07-10 |
CN111401626B true CN111401626B (zh) | 2023-04-07 |
Family
ID=71428622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171641.9A Active CN111401626B (zh) | 2020-03-12 | 2020-03-12 | 基于六度分隔理论的社交网络数值优化方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401626B (zh) |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5587897A (en) * | 1993-12-27 | 1996-12-24 | Nec Corporation | Optimization device |
JP2000112505A (ja) * | 1998-10-06 | 2000-04-21 | Nec Corp | 生産計画立案装置及び生産計画立案方法並びにプログラムを記録した機械読み取り可能な記録媒体 |
JP2005537526A (ja) * | 2001-10-11 | 2005-12-08 | エクスサイエンティア、エルエルシー | パターンの分類および決定価値の査定を学習するための方法および装置 |
JP2010061179A (ja) * | 2008-09-01 | 2010-03-18 | Hitachi Ltd | 計画最適化装置、計画最適化プログラム、および計画最適化方法 |
US20120059686A1 (en) * | 2010-03-05 | 2012-03-08 | Williams Kurtis G | Method and system for recommendation engine otimization |
US8880381B2 (en) * | 2010-10-01 | 2014-11-04 | The Boeing Company | Optimization of processor characteristics and large scale system optimization through domain decomposition |
CN102033991A (zh) * | 2010-12-07 | 2011-04-27 | 昆明理工大学 | 基于增量改进bp神经网络的微波干燥预测方法 |
US20160300169A1 (en) * | 2015-04-10 | 2016-10-13 | Caterpillar Inc. | Supply chain network sensitivity analysis using adjusted network parameters |
CN104966135B (zh) * | 2015-06-16 | 2018-04-13 | 西南交通大学 | 基于可达性和可达强度的公交线路网络优化方法 |
JP6297534B2 (ja) * | 2015-12-03 | 2018-03-20 | ヤフー株式会社 | 生成装置、生成方法及び生成プログラム |
JP7114900B2 (ja) * | 2016-02-03 | 2022-08-09 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
CN108280538A (zh) * | 2018-01-05 | 2018-07-13 | 广西师范学院 | 基于云计算环境下分布式物流库存优化方法 |
CN108631894B (zh) * | 2018-04-12 | 2020-12-29 | 东北石油大学 | 基于最优小波滤波器的频谱池系统优化方法 |
CN110175286B (zh) * | 2019-05-17 | 2021-05-11 | 山东师范大学 | 结合成对优化和矩阵分解的产品推荐方法及系统 |
-
2020
- 2020-03-12 CN CN202010171641.9A patent/CN111401626B/zh active Active
Non-Patent Citations (2)
Title |
---|
冯群 ; .基于小世界原理的高维函数优化算法研究.计算机光盘软件与应用.2012,(16),全文. * |
汪泽焱,王庭昌.一种优化多目标的交互式路由算法.系统仿真学报.2003,(09),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111401626A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009486B (zh) | 一种欺诈检测的方法、系统、设备及计算机可读存储介质 | |
CN111932386B (zh) | 用户账号确定方法及装置、信息推送方法及装置、电子设备 | |
CN111400555B (zh) | 图数据查询任务处理方法、装置、计算机设备和存储介质 | |
CN112231592A (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
CN113065974A (zh) | 一种基于动态网络表示学习的链路预测方法 | |
CN111701247B (zh) | 用于确定统一账号的方法和设备 | |
CN111611801B (zh) | 一种识别文本地域属性的方法、装置、服务器及存储介质 | |
CN112214775A (zh) | 对图数据的注入式攻击方法、装置、介质及电子设备 | |
CN113011155B (zh) | 用于文本匹配的方法、装置、设备和存储介质 | |
Mao et al. | A comprehensive algorithm for evaluating node influences in social networks based on preference analysis and random walk | |
CN111522968A (zh) | 知识图谱融合方法及装置 | |
CN112380344A (zh) | 文本分类的方法、话题生成的方法、装置、设备及介质 | |
CN114861746A (zh) | 基于大数据的反欺诈识别方法、装置及相关设备 | |
CN112487794A (zh) | 行业分类方法、装置、终端设备及存储介质 | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN113128526B (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
CN111652329B (zh) | 一种图像分类方法、装置、存储介质和电子设备 | |
CN111401626B (zh) | 基于六度分隔理论的社交网络数值优化方法、系统及介质 | |
CN110019193A (zh) | 相似帐号识别方法、装置、设备、系统及可读介质 | |
CN112052399A (zh) | 一种数据处理方法、装置和计算机可读存储介质 | |
CN111028092A (zh) | 基于Louvain算法的社区发现方法、计算机设备及其可读存储介质 | |
Hou et al. | Experimental study on dominant sets clustering | |
Chen et al. | Privacy preserving federated learning for full heterogeneity | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
Lu et al. | A hybrid recommendation model for community attributes of social networks based on association rule mining |
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 |