CN111784206B - 采用LeaderRank算法评估社交网络关键节点的方法 - Google Patents

Abstract

本发明公开了一种采用LeaderRank算法评估社交网络关键节点的方法，该方法首先计算社交网络图内每个节点的平均表现特征，利用该平均表现特征改进加权LeaderRank算法得到基于节点属性的影响力，以此表征节点的全局重要性；再依据社交网络的社区结构特性对网络进行社区划分，然后计算基于社区结构的节点度，以此表征节点的局部重要性；最后使用欧氏距离法，结合基于节点属性的影响力和基于社区结构的节点度构建关键节点评估模型，从而对社交网络节点重要度进行评估。本发明能够解决现有技术在评价社交网络节点的影响力时考虑的方面较为单一，不能全面地刻画节点的重要程度的问题。

Description

采用LeaderRank算法评估社交网络关键节点的方法

技术领域

本发明涉及网络分析技术领域，特别是涉及一种采用LeaderRank算法评估社交网络关键节点的方法。

背景技术

社交网络可以看做是人与人之间线上交流的一个抽象，如今已经慢慢渗透到了人们的日常工作生活中。国外的社交网络有以社交活动分享为主的Facebook，微博服务站点Twitter等。国内广泛使用的社交网络则有QQ、微信、知乎、微博和豆瓣等。社交网络属于复杂网络，具有小世界性、无标度性和社区结构等特性。

在社交网络中有些节点对整个网络起着关键的作用，对这些节点进行分析具有重要价值。对于商家而言，如果可以通过雇佣一些社交网站上的大V用户来做商品广告的推广和营销，那么对新产品的宣传推广会起到事半功倍的效果。对于政府部门来说，如果需要去监管、引导网民在社交网站上的舆论，则可以找到社交网络上的一些意见领袖，通过他们来引导舆论的方向或者监测网络上的言论，特别是对一些非法言论加以处理。因此，深入了解网络结构并从节点独特性方面分析网络特性从而找到关键节点具有重要的意义。

目前，相关技术中有一些评估社交网络关键节点的方法。但现有方法都是比较基础的诸如基于邻居、基于路径的关键节点分析方法，在评价社交网络节点的影响力时考虑的方面较为单一，不能全面地刻画节点的重要程度，不能很好地适用于现实的社交网络中。

发明内容

针对上述问题，本发明的目的在于提出一种采用LeaderRank算法评估社交网络关键节点的方法，以解决现有技术在评价社交网络节点的影响力时考虑的方面较为单一，不能全面地刻画节点的重要程度的问题。

一种采用LeaderRank算法评估社交网络关键节点的方法，包括：

计算社交网络图内每个节点的平均表现特征AP_i，节点平均表现特征AP_i从一组一般节点属性中提取得到，一般节点属性组由两部分组成，第一部分为社交平台都有的互动统计功能，第二部分为社交平台所特有的互动统计功能；

采用改进加权LeaderRank算法，在迭代分配节点影响力时，同时使用边权w_ji和节点的平均表现特征AP_i，控制指向节点i的节点j将自身影响力分配给节点i时的分配量，得到基于节点属性的影响力ALR_i，以此表征节点的全局重要性；

利用社交网络的社区结构特性对网络进行社区划分，以得到社区集合；

获取社区集合后，将社区的邻居节点划分为同社区邻居节点和不同社区邻居节点，当邻居节点为不同社区的节点时，按照社区的规模以及整个社区影响力的不同给不同社区邻居节点分配更大的度贡献值，最终得到基于社区结构的节点度CD_i；

使用欧氏距离法，结合基于节点属性的影响力ALR_i和基于社区结构的节点度CD_i，构建关键节点评估模型，从而对社交网络节点重要度进行评估。

根据本发明提供的采用LeaderRank算法评估社交网络关键节点的方法，通过考虑节点的自身属性来反映节点的全局重要性，结合社区结构改进节点的度指标表征节点的局部重要性，最终得到节点的综合重要度，能对社交网络图进行更全面的分析，关键节点的评估结果更准确，能够更全面地刻画节点的重要程度。另外，节点平均表现特征是从一组一般节点属性中提取出来的，这使本方法能够应用到从不同社交平台提取出的网络图的关键节点评估之中，通用性更好。

另外，根据本发明上述的采用LeaderRank算法评估社交网络关键节点的方法，还可以具有如下附加的技术特征：

进一步地，计算社交网络图内每个节点的平均表现特征AP_i的步骤具体包括：

统计用户预设时间内在社交平台原创且有效内容的发布数、获赞数、被转发数、被评论数以及社交平台特有的互动统计功能，得到节点的一般节点属性组A＝{A₁,A₂,…,A_n}，使用1-9标度法得到除内容发布数外其它属性之间的相对重要性，来确定这些属性在平均表现特征中应占的权重

根据下式得到节点的平均表现特征AP_i：

进一步地，采用改进加权LeaderRank算法，在迭代分配节点影响力时，同时使用边权w_ji和节点的平均表现特征AP_i，控制指向节点i的节点j将自身影响力分配给节点i时的分配量，得到基于节点属性的影响力ALR_i的步骤具体包括：

初始化节点的影响力

g为背景节点，i为普通节点，背景节点与所有节点相连；

根据下式迭代更新所有节点的ALR_i值：

其中，w_ji＝1表示节点j指向节点i存在连边，当连边某一端为背景节点g时

k(iⁱⁿ)表示节点i的入度，Γ(j^out)表示节点j指向的节点的集合，α为调节因子；

当所有节点的ALR_i趋于稳定或者达到最大迭代次数时，停止迭代。

进一步地，调节因子α取0.3。

进一步地，利用社交网络的社区结构特性对网络进行社区划分的步骤中，使用Louvain算法对网络进行社区划分，得到社区集合C＝{C₁,C₂,…,C_n}。

进一步地，得到基于社区结构的节点度CD_i的步骤中，采用下式计算基于社区结构的节点度CD_i：

Γ(iⁱⁿ)表示指向节点i的节点的集合，C_j表示节点j所在的社区。

进一步地，使用欧氏距离法，结合基于节点属性的影响力ALR_i和基于社区结构的节点度CD_i，构建关键节点评估模型的步骤具体包括：

获取社交网络图中所有节点的基于节点属性的影响力ALR_i和基于社区结构的节点度CD_i，采用min-max标准化方法对两个指标进行归一化处理；

使用欧氏距离法构建关键节点评估模型，根据下式评估节点的重要度值R_i，重要度值大的节点即为关键节点；

附图说明

本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一实施例提供的采用LeaderRank算法评估社交网络关键节点的方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

为了对本发明进行说明，首先定义社交网络为有向无权网络图G＝(V,E)，其中V为节点集合，E为边集合，使用Louvain算法将社交网络图G划分为多个社区，社区集合C＝{C₁,C₂,…,C_n}，其中C_n＝(V_n,E_n)，表示社区n的网络拓扑结构图，V_n表示社区n节点的集合，E_n表示社区n的边集合。

基于上述内容，本发明通过考虑节点的一组自身属性来反映节点的全局重要性，使用结合社区结构改进节点的度指标表征节点的局部重要性，最终使用欧式距离法基于以上两个指标构建评估模型对社交网络图进行更全面的分析，具体请参阅图1，本发明一实施例提供的采用LeaderRank算法评估社交网络关键节点的方法，其步骤如下：

S1.针对社交网络中节点的独立性，计算所述社交网络图内每个节点的平均表现特征，节点平均表现特征AP_i从一组一般节点属性中提取得到，一般节点属性组由两部分组成，第一部分为大多数社交平台都有的互动统计功能，如：内容发布数、获赞数、被转发数，第二部分为社交平台所特有的互动统计功能，如：头条的“打赏”、bilibili的“投币”和“收藏”、知乎的“感谢”等，得到节点的一般节点属性组A＝{A₁,A₂,…,A_n}；之后采用1-9标度法计算除内容发布数外其它属性之间的相对重要性，得到判定矩阵，按照矩阵中的相对重要性得到每个属性在节点平均表现特征中的权值占比。最终的节点平均表现特征计算方法如式(1)所示：

S2.获取节点平均表现特征AP_i后，改进加权LeaderRank算法得到基于节点属性的影响力ALR_i，具体步骤如下：

初始化节点的影响力

g为背景节点，i为普通节点，背景节点与所有节点相连；

按照式(2)迭代更新所有节点的ALR_i值；

其中，w_ji＝1表示节点j指向节点i存在连边，但当连边某一端为背景节点g时

k(iⁱⁿ)表示节点i的入度，Γ(j^out)表示节点j指向节点的集合，调节因子α根据相关研究得到的经验值可设置为0.3，同时也可根据实际网络数据做对比实验来进行调优；

当所有节点的ALR_i趋于稳定，即ALR_i(t+1)-ALR_i(t)≤10^-5，或者达到最大迭代次数20次时，停止迭代。

S3.社交网络进行社区划分，使用Louvain算法将社交网络G划分为多个社区，得到社区集合C＝{C₁,C₂,…,C_n}。

S4.获取社区集合后，可将社区的邻居节点划分为同社区邻居节点和不同社区邻居节点，当邻居节点为不同社区的节点时，会按照社区的规模以及整个社区影响力的不同给不同社区邻居节点分配更大的度贡献值，最终得到基于社区结构的节点度CD_i，具体计算方法如公式(3)所示：

S5.使用欧氏距离法结合基于LeaderRank算法和节点平均表现特征的全局重要性指标ALR_i和基于社区结构的节点度局部重要性指标CD_i构建评估模型，模型的构建过程如下：

对两个指标进行归一化处理，如式(4)、式(5)所示：

使用欧式距离法结合基于节点属性的影响力ALR_i和基于社区结构的节点度CD_i，得到网络中节点的重要度值R_i，具体根据公式(6)计算节点的重要度值R_i，重要度值大于阈值的节点即为关键节点：

根据上述的采用LeaderRank算法评估社交网络关键节点的方法，通过考虑节点的自身属性来反映节点的全局重要性，结合社区结构改进节点的度指标表征节点的局部重要性，最终得到节点的综合重要度，能对社交网络图进行更全面的分析，关键节点的评估结果更准确，能够更全面地刻画节点的重要程度。另外，节点平均表现特征是从一组一般节点属性中提取出来的，这使本方法能够应用到从不同社交平台提取出的网络图的关键节点评估之中，通用性更好。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (4)

1.一种采用LeaderRank算法评估社交网络关键节点的方法，其特征在于，包括：

计算社交网络图内每个节点的平均表现特征AP_i，节点平均表现特征AP_i从一组一般节点属性中提取得到，一般节点属性组由两部分组成，第一部分为社交平台都有的互动统计功能，第二部分为社交平台所特有的互动统计功能；

采用改进加权LeaderRank算法，在迭代分配节点影响力时，同时使用边权w_ji和节点的平均表现特征AP_i，控制指向节点i的节点j将自身影响力分配给节点i时的分配量，得到基于节点属性的影响力ALR_i，以此表征节点的全局重要性；

利用社交网络的社区结构特性对网络进行社区划分，以得到社区集合；

获取社区集合后，将社区的邻居节点划分为同社区邻居节点和不同社区邻居节点，并计算基于社区结构的节点度CD_i；

使用欧氏距离法，结合基于节点属性的影响力ALR_i和基于社区结构的节点度CD_i，构建关键节点评估模型，从而对社交网络节点重要度进行评估；

其中，计算社交网络图内每个节点的平均表现特征AP_i的步骤具体包括：

统计用户预设时间内在社交平台原创且有效内容的发布数、获赞数、被转发数、被评论数以及社交平台特有的互动统计功能，得到节点的一般节点属性组A＝{A₁，A₂，...，A_n}，使用1-9标度法得到除内容发布数外其它属性之间的相对重要性，来确定这些属性在平均表现特征中应占的权重

根据下式得到节点的平均表现特征AP_i：

采用改进加权LeaderRank算法，在迭代分配节点影响力时，同时使用边权w_ji和节点的平均表现特征AP_i，控制指向节点i的节点j将自身影响力分配给节点i时的分配量，得到基于节点属性的影响力ALR_i的步骤具体包括：

初始化节点的影响力

g为背景节点，i为普通节点，背景节点与所有节点相连；

根据下式迭代更新所有节点的ALR_i值：

其中，w_ji＝1表示节点j指向节点i存在连边，w_jk＝1表示节点j指向节点k存在连边，当连边某一端为背景节点g时

k(iⁱⁿ)表示节点i的入度，Г(j^out)表示节点j指向的节点的集合，α为调节因子；

当所有节点的ALR_i趋于稳定或者达到最大迭代次数时，停止迭代；

计算基于社区结构的节点度CD_i的步骤中，采用下式计算基于社区结构的节点度CD_i：

Г(iⁱⁿ)表示指向节点i的节点的集合，C_j表示节点j所在的社区，G＝(V，E)表示社交网络的有向无权网络图，其中V为节点集合，E为边集合。

2.根据权利要求1所述的采用LeaderRank算法评估社交网络关键节点的方法，其特征在于，调节因子α取0.3。

3.根据权利要求1所述的采用LeaderRank算法评估社交网络关键节点的方法，其特征在于，利用社交网络的社区结构特性对网络进行社区划分的步骤中，使用Louvain算法对网络进行社区划分，得到社区集合C＝{C₁，C₂，...，C_n}。

4.根据权利要求1所述的采用LeaderRank算法评估社交网络关键节点的方法，其特征在于，使用欧氏距离法，结合基于节点属性的影响力ALR_i和基于社区结构的节点度CD_i，构建关键节点评估模型的步骤具体包括：

获取社交网络图中所有节点的基于节点属性的影响力ALR_i和基于社区结构的节点度CD_i，采用min-max标准化方法对两个指标进行归一化处理；

使用欧氏距离法构建关键节点评估模型，根据下式评估节点的重要度值R_i，重要度值大的节点即为关键节点；

Images