CN111695043A

CN111695043A - 一种基于地理区域的社交网络阻塞影响最大化方法

Info

Publication number: CN111695043A
Application number: CN202010547743.6A
Authority: CN
Inventors: 谢武; 高爽; 孔丽娜; 强保华; 崔梦银; 贾清玉
Original assignee: Guilin University of Electronic Technology
Current assignee: Guilin University of Electronic Technology
Priority date: 2020-06-16
Filing date: 2020-06-16
Publication date: 2020-09-22

Abstract

本发明公开了一种基于地理区域的社交网络阻塞影响最大化方法，该方法旨在社交网络信息传播时，防止目标区域受到不良信息的影响。研究影响阻止最大化（IBM）问题，以找到积极的种子，以尽可能多地阻止负面信息的传播。利用四叉树索引结构来存储节点的位置信息，结合社交网络的地理位置信息，提出了构造最大影响外图（MIOG）近似估计被阻止的负面影响并识别出具有更大潜力的阻止负影响的节点，选择候选节点以减少要估计的节点数量，高效地阻止负面信息在区域内的传播。

Description

一种基于地理区域的社交网络阻塞影响最大化方法

技术领域

本发明涉及数据驱动社会网络分析与挖掘领域，具体是一种基于地理区域的社交网络阻塞影响最大化方法。

背景技术

近年来，诸如Facebook，Twitter，微博之类的社交网络越来越流行，随着社交网络规模的扩大和用户数量的增长，信息可以在社交网络中更快地传播和共享。结果，病毒式营销成为社交网络中最重要的营销策略之一。病毒式营销成功的关键问题是如何找到合适的初始客户，他们可以尽可能地传播产品信息。一些研究认为它是影响最大化(IM)问题，旨在找到影响最大的节点。研究表明，CELF算法(Cost-effective Lazy-forward)使用子模属性来提高贪婪算法的效率，PMIA(prefix excluding MIA)算法利用MIA(maximum influencearborescence)结构来近似估计每个节点的影响扩散，而TIM(Two-phase InfluenceMaximization)算法将该问题转换为最大覆盖问题。

尽管社交网络为人们带来了更多的信息获取平台，但它们也为散布谣言和错误信息提供了场所。因此，有研究旨在阻止有害信息在社交网络中的传播。但是，传统的贪婪算法会影响最大化(IBM)问题之所以缓慢，是因为它需要通过大量的蒙特卡洛模拟来估计每个节点的影响范围，当负面影响从高密度区域扩散时，时间成本通常不能令人满意。

发明内容

针对现有技术中找到有效的积极种子，但效率相对较低，且难以处理大型社交网络的缺陷，本发明提供了一种基于地理区域的社交网络阻塞影响最大化方法，在社交网络信息传播时，防止目标区域受到不良信息的影响，阻止最大化(IBM)问题，以找到积极的种子，尽可能阻止负面信息的传播。

实现本发明目的的技术方案是：

一种基于地理区域的社交网络阻塞影响最大化方法，包括如下步骤：

(1)读取社交网络数据集，构建社交网络图G(V，E)，其中V表示社交网络中的节点集合，E表示网络中节点的边；节点V有经纬度(x,y)两个位置参数；

(2)定义正影响点集SP，负影响点集SN，阻塞点集B(SP)，其中阻塞点集表示，当节点未被激活时，将被负影响激活，当正影响传播时，不被负影响激活的种子集；阻塞负面影响σ(SP)被定义为预期的B(SP)的大小；

(3)首先对节点间的传播概率进行初始化，设定查询区域Q＝(R，k)，传播过程中节点尝试激活邻居节点时，无论是否激活，接下来的回合中，都不会对相同节点再次激活，设定每条边的传播概率为pp_e(v,u)；

(4)根据给定社交网络中节点的位置信息构建四叉树，并利用四叉树搜索给定区域中的节点集，其中M是四叉树单元格内位置的最小边界矩形(R)，R＝[(x，y)，(xlim，ylim)]；

(5)初始化全局阻塞评分BG(w)，以代替传统阻塞的负面影响，同时构建并初始化一个新的图结构MIOG；选择正种子，迭代更新MIOG：

(6)统计各单元的更新节点集，并更新全局阻塞分数，最终得到点集maxS*，表示区域R中具有最大阻塞影响力的种子节点。

步骤(5)所述构建MIOG：

定义传播路径集IPS(u,v,G)表示从节点u到节点v所有路径中传播概率最大的路径。则MIOG(u,θ)可表示为G的一个子图，定义为：

MIOG(u,θ)＝{IPS(u,v,G′)|pp_max(u,v,G′)≥θandv∈(V\S_N)}

其路径的传播概率定义为：

传播过程中，节点的激活概率为：ap(v,S_N,G)。寻找积极种子的一个想法是找到在MIOG中阻止消极种子的激活概率最多的节点。那么，定义节点阻塞评分B_L(v,MIOG(S_N,θ))：

其中N_r(v,MIOG(S_N,θ)包含节点v和可以达到MIOG的点集；N_cn(v,MIOG(S_N,θ)包含节点v及常见的邻居节点。第一个求和可以看作是v的阻塞能力，第二个求和可以看作是v和S_N的共同邻居的阻塞能力。

阻塞评分近似于节点激活概率的总和对阻塞的负影响，避免了耗时的模拟，并且通过独立考虑每个负种子的MIOG减少了要计算的节点数。

步骤(5)所述初始化MIOG：

对于每一个负面的种子s_N，构造MIOG(s_N,θ)，候选节点集N_can(MIOG(s_N,θ))被选中，并计算其激活概率。然后计算局部阻塞分数，并将其加入全局阻塞分数中。

步骤(5)所述更新MIOG：

当一个新的正传播的种子s_P被选择，每个MIOG(s_N,θ)将被更新。s_P影响的节点的激活概率将被更新。其次，正节点s_P从N_can(MIOG(s_N,θ))中被移除，阻塞分数将被更新。由于在选取节点过程中考虑共同邻居节点的情况，所以任一节点o的激活概率需乘以

本发明的有益效果是：利用四叉树索引结构来存储节点的位置信息，结合社交网络的地理位置信息，提出构造最大影响外图(MIOG)近似估计被阻止的负面影响并识别出具有更大潜力的阻止负影响的节点，选择候选节点以减少要估计的节点数量，高效地阻止负面信息在区域内的传播。

附图说明

图1为本发明实施例的方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的阐述。

实施例：

如图1所示，一种基于地理区域的社交网络阻塞影响最大化方法，包括如下步骤：

1.读取数据集，构建社交网络图G(V，E)，其中V表示社交网络中的节点集合，E表示网络中节点的边。节点V(x,y)有经纬度两个位置参数；

2.定义正影响点集S_P，负影响点集S_N，阻塞点集B(S_P)。其中阻塞点集表示，当节点未被激活时，将被负影响激活，当正影响传播时，不被负影响激活的种子集。阻塞负面影响σ(S_P)被定义为预期的B(S_P)的大小；

3.对节点间的传播概率进行初始化，设定查询区域Q＝(R，k)，传播过程中节点尝试激活邻居节点时，无论是否激活，接下来的回合中，都不会对相同节点再次激活，设定每条边的传播概率为pp_e(v,u)；

4.根据给定社交网络中节点的位置信息构建四叉树，并利用四叉树搜索给定区域中的节点集。其中M是四叉树单元格内位置的最小边界矩形(R)，R＝[(x，y)，(xlim，ylim)]；

5.初始化点集v∈N_set,

影响力B_G(w)＝0；

6.在竞争扩散模型下，对于每个单元格区域内，分为两个阶段完成。在初始化阶段，初始化全局阻塞评分B_G(w)，以代替传统阻塞的负面影响，并初始化一个新的图结构MIOG。在第二阶段，选择正种子，迭代更新MIOG。具体步骤如下：

(1)构建MIOG：

MIOG(u,θ)＝{IPS(u,v,G′)|pp_max(u,v,G′)≥θandv∈(V\S_N)}

其路径的传播概率定义为：

(2)初始化MIOG：

(3)更新MIOG：

当一个新的正传播的种子s_P被选择，每个MIOG(s_N,θ)将被更新。s_P影响的节点的激活概率将被更新。其次，正节点s_P从N_can(MIOG(s_N,θ))中被移除，阻塞分数将被更新。由于在选取节点过程中考虑共同邻居节点的情况，所以任意节点o的激活概率需乘以

7.各单元的更新节点集，并更新全局阻塞分数；

8.将各个单元格中，直到影响力增量不再增加，结束遍历，得到的最大点集S*进行整合；

9.通过遍历节点，最终得到点集maxS*，表示区域R中具有最大阻塞影响力的种子节点。

Claims

1.一种基于地理区域的社交网络阻塞影响最大化方法，其特征是：包括如下步骤：

(1)读取数据集，构建社交网络图G(V，E)，其中V表示社交网络中的节点集合，E表示网络中节点的边；节点V有经纬度(x,y)两个位置参数；

(5)初始化全局阻塞评分BG(w)，同时构建并初始化一个新的图结构MIOG；选择正种子，迭代更新MIOG：

2.根据权利要求1所述的一种基于地理区域的社交网络阻塞影响最大化方法，其特征是：步骤(5)所述构建MIOG：

定义传播路径集IPS(u,v,G)表示从节点u到节点v所有路径中传播概率最大的路径；则MIOG(u,θ)可表示为G的一个子图，定义为：

MIOG(u,θ)＝{IPS(u,v,G′)|pp_max(u,v,G′)≥θandv∈(V\S_N)}

其路径的传播概率定义为：

传播过程中，节点的激活概率为：ap(v,S_N,G)；寻找积极种子的一个想法是找到在MIOG中阻止消极种子的激活概率最多的节点；那么，定义节点阻塞评分B_L(v,MIOG(S_N,θ))：

其中N_r(v,MIOG(S_N,θ)包含节点v和可以达到MIOG的点集；N_cn(v,MIOG(S_N,θ)包含节点v及常见的邻居节点；第一个求和可以看作是v的阻塞能力，第二个求和可以看作是v和S_N的共同邻居的阻塞能力；

3.根据权利要求1所述的一种基于地理区域的社交网络阻塞影响最大化方法，其特征是：步骤(5)所述初始化MIOG：

对于每一个负面的种子s_N，构造MIOG(s_N,θ)，候选节点集N_can(MIOG(s_N,θ))被选中，并计算其激活概率；然后计算局部阻塞分数，并将其加入全局阻塞分数中。

4.根据权利要求1所述的一种基于地理区域的社交网络阻塞影响最大化方法，其特征是：步骤(5)所述更新MIOG：

当一个新的正传播的种子s_P被选择，每个MIOG(s_N,θ)将被更新；s_P影响的节点的激活概率将被更新；其次，正节点s_P从N_can(MIOG(s_N,θ))中被移除，阻塞分数将被更新；由于在选取节点过程中考虑共同邻居节点的情况，所以任一节点o的激活概率需乘以