CN114297572A - 社交网络中节点传播影响力识别方法、装置和计算机设备 - Google Patents
社交网络中节点传播影响力识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114297572A CN114297572A CN202210013140.7A CN202210013140A CN114297572A CN 114297572 A CN114297572 A CN 114297572A CN 202210013140 A CN202210013140 A CN 202210013140A CN 114297572 A CN114297572 A CN 114297572A
- Authority
- CN
- China
- Prior art keywords
- node
- social network
- effort
- propagation
- determining
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种社交网络中节点传播影响力识别方法、装置和计算机设备。所述方法包括:从数据源获取社交网络;根据所述社交网络中第一节点的度,以及第一节点的k‑shell值,确定所述第一节点对维持与第二节点的邻居关系投入的第一精力,对维持与第三节点的邻居关系投入的第二精力,第二节点对维持与第三节点的邻居关系投入的第三精力,以确定第一节点和第二节点之间的约束系数;根据连边的无向特性和约束系数,构建描述连边的重要性的正向权重函数以及反向权重函数;根据正向权重函数以及反向权重函数之和,确定连边的传播重要性值;根据待识别节点的所有连边的传播重要性值,确定待识别节点的传播影响力。采用本方法能够消除类‑核结构影响。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种社交网络中节点传播影响力识别方法、装置和计算机设备。
背景技术
随着计算机技术的发展,对于社交网络的分析有了更多的手段,一般而言,在进行社交网络分析时,会将社交网络看做一个节点网络,复杂社交网络对应一个复杂网络,重要节点是指相比网络其他节点而言,能够在更大程度上影响网络的结构与功能的一些特殊节点,重要节点一般数量非常少,但其影响却可以快速地波及到网络中大部分节点。
k-shell分解算法将网络节点分配到不同的壳层,壳值最高的节点被认为是网络中最有影响力的节点。通过该方法,网络逐渐趋于核心的区域,越中心的核,连通性越强。然而,并非在所有的真实网络中k-shell分解算法识别的网络核心节点都具有最高的传播影响力,网络中存在一些类-核结构,这些高k-shell值节点相互之间连接紧密,然而信息从这类节点发起很可能局限在网络局部区域,无法传播到网络更远的节点。
发明内容
基于此,有必要针对上述技术问题,提供一种能够解决高k-shell值节点相互之间连接紧密的传播影响力识别的社交网络中节点传播影响力识别方法、装置和计算机设备。
一种社交网络中节点传播影响力识别方法,所述方法包括:
从数据源获取社交网络;所述社交网络中包括:表示用户的节点,以及表示用户之间社交关系的连边;
根据所述社交网络中第一节点的度,以及第一节点的k-shell值,确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力,所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力,所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力;其中,所述第三节点为所述第一节点和所述第二节点的共同邻居;
根据所述第一精力、所述第二精力以及所述第三精力,确定第一节点和第二节点之间的约束系数;
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数以及反向权重函数;
根据所述正向权重函数以及反向权重函数之和,确定所述连边的传播重要性值;
根据待识别节点的所有连边的所述传播重要性值,确定待识别节点的传播影响力。
在其中一个实施例中,还包括:根据所述社交网络中第一节点的度,以及第一节点的k-shell值,确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力为:
其中,pij表示第一精力,ksi表示节点i的k-shell值,ki表示节点i的度;
所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力为:
其中,piq表示第二精力;
所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力为:
其中,pqj表示第三精力,ksj表示节点j的k-shell值,kj表示节点j的度。
在其中一个实施例中,还包括:根据所述第一精力、所述第二精力以及所述第三精力,确定第一节点和第二节点之间的约束系数为:
其中,Cij表示第一节点和第二节点之间的约束系数。
在其中一个实施例中,还包括:所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数为f(Cij),其中f(·)为减函数;
所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数为f(Cji),其中,Cji表示第二节点与第一节点之间的约束系数。
在其中一个实施例中,还包括:根据所述正向权重函数以及反向权重函数之和,确定所述连边的传播重要性值,包括:
根据所述正向权重函数以及反向权重函数之和,确定所述连边的传播重要性值为:
wij=f(Cij)+f(Cji)
在其中一个实施例中,还包括:根据待识别节点的所有连边的所述传播重要性值,确定待识别节点的传播影响力为:
其中,PNSHi表示待识别节点的传播影响力,Γi表示待识别节点的邻居节点集合。
在其中一个实施例中,还包括:确定待识别节点的传播影响力的修正传播影响力为:
其中,PNSHj表示节点j的传播影响力,EPNSHi表示修正传播影响力。
一种社交网络中节点传播影响力识别装置,所述装置包括:
网络构建模块,用于从数据源获取社交网络;所述社交网络中包括:表示用户的节点,以及表示用户之间社交关系的连边;
精力确定模块,用于根据所述社交网络中第一节点的度,以及第一节点的k-shell值,确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力,所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力,所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力;其中,所述第三节点为所述第一节点和所述第二节点的共同邻居;
约束确定模块,用于根据所述第一精力、所述第二精力以及所述第三精力,确定第一节点和第二节点之间的约束系数;
重要性度量模块,用于根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数以及反向权重函数;根据所述正向权重函数以及反向权重函数之和,确定所述连边的传播重要性值;
识别模块,用于根据待识别节点的所有连边的所述传播重要性值,确定待识别节点的传播影响力。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
从数据源获取社交网络;所述社交网络中包括:表示用户的节点,以及表示用户之间社交关系的连边;
根据所述社交网络中第一节点的度,以及第一节点的k-shell值,确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力,所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力,所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力;其中,所述第三节点为所述第一节点和所述第二节点的共同邻居;
根据所述第一精力、所述第二精力以及所述第三精力,确定第一节点和第二节点之间的约束系数;
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数以及反向权重函数;
根据所述正向权重函数以及反向权重函数之和,确定所述连边的传播重要性值;
根据待识别节点的所有连边的所述传播重要性值,确定待识别节点的传播影响力。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
从数据源获取社交网络;所述社交网络中包括:表示用户的节点,以及表示用户之间社交关系的连边;
根据所述社交网络中第一节点的度,以及第一节点的k-shell值,确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力,所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力,所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力;其中,所述第三节点为所述第一节点和所述第二节点的共同邻居;
根据所述第一精力、所述第二精力以及所述第三精力,确定第一节点和第二节点之间的约束系数;
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数以及反向权重函数;
根据所述正向权重函数以及反向权重函数之和,确定所述连边的传播重要性值;
根据待识别节点的所有连边的所述传播重要性值,确定待识别节点的传播影响力。
上述社交网络中节点传播影响力识别方法、装置、计算机设备和存储介质,基于k-shell分解算法计算节点的k-shell值,基于节点位置和节点邻域的信息,确定形成网络类核团的约束系数,根据约束系数,来确定连边传播重要性值,从而可以消除网络类核团的负面影响,从而利用传播重要性值进行节点影响力识别时,全局网络识别结果更加准确。
附图说明
图1为一个实施例中社交网络中节点传播影响力识别方法的流程示意图;
图2为一个实施例中社交网络中节点传播影响力识别装置的结构框图;
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种社交网络中节点传播影响力识别方法,包括以下步骤:
步骤102,从数据源获取社交网络。
社交网络中包括:表示用户的节点,以及表示用户之间社交关系的连边。
步骤104,根据社交网络中第一节点的度,以及第一节点的k-shell值,确定第一节点对维持与社交网络中第二节点的邻居关系投入的第一精力,第一节点对维持与社交网络中第三节点的邻居关系投入的第二精力,第二节点对维持与社交网络中第三节点的邻居关系投入的第三精力。
第三节点为第一节点和第二节点的共同邻居,可以知道,第三节点的数量可能不止一个。
步骤106,根据第一精力、所述第二精力以及第三精力,确定第一节点和第二节点之间的约束系数。
在计算约束系数时,引入了邻居节点的信息,以用约束系数,来评价第一节点和第二节点之间连边的桥接作用,桥接作用越大,第一节点和第二节点之间形成结构洞的机会就越大。
具体的,结构洞理论是指非冗余联系人之间存在的缺口,或者说社会关系网络中的搭桥者,比如A用户与B用户只能通过C产生联系,那么用户C就在A和B之间占据了结构洞的位置,因此结构洞越多的节点它的重要性一般也会大于其他节点。从复杂网络角度看,拥有较多结构洞的网络节点更有利于信息大范围地传播。
步骤108,根据第一节点和第二节点之间的连边的无向特性和约束系数,构建描述连边的重要性的正向权重函数以及反向权重函数。
在社交网络中,边的权重在衡量信息传播能力和维持网络功能方面都扮演重要角色。考虑边eij,当疾病沿着边传播时,有两个可能的方向。方向一,传播从节点i开始,沿着边eij传向节点j,然后通过节点j传向网络其余部分。在另一个方向,传播从节点j始,沿着边eji(与边eij为同一条边,因为网络为无向网络)传向节点i,然后通过节点i传向网络其余部分。
步骤110,根据正向权重函数以及反向权重函数之和,确定连边的传播重要性值。
步骤112,根据待识别节点的所有连边的传播重要性值,确定待识别节点的传播影响力。
上述社交网络中节点传播影响力识别方法中,基于k-shell分解算法计算节点的k-shell值,基于节点位置和节点邻域的信息,确定形成网络类核团的约束系数,根据约束系数,来确定连边传播重要性值,从而可以消除网络类核团的负面影响,从而利用传播重要性值进行节点影响力识别时,全局网络识别结果更加准确。
在其中一个实施例中,根据社交网络中第一节点的度,以及第一节点的k-shell值,确定第一节点对维持与社交网络中第二节点的邻居关系投入的第一精力为:
其中,pij表示第一精力,ksi表示节点i的k-shell值,ki表示节点i的度;
第一节点对维持与社交网络中第三节点的邻居关系投入的第二精力为:
其中,piq表示第二精力;
第二节点对维持与社交网络中第三节点的邻居关系投入的第三精力为:
其中,pqj表示第三精力,ksj表示节点j的k-shell值,kj表示节点j的度。
在其中一个实施例中,根据第一精力、第二精力以及第三精力,确定第一节点和第二节点之间的约束系数为:
其中,Cij表示第一节点和第二节点之间的约束系数。
在其中一个实施例中,根据第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述连边的重要性的正向权重函数为f(Cij),其中f(·)为减函数;根据第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述连边的重要性的正向权重函数为f(Cji),其中,Cji表示第二节点与第一节点之间的约束系数。在此,减函数可以是线性函数,或者非线性函数。
在其中一个实施例中,减函数为指数函数,根据正向权重函数以及反向权重函数之和,确定连边的传播重要性值为:
wij=f(Cij)+f(Cji)
在其中一个实施例中,根据待识别节点的所有连边的所述传播重要性值,确定待识别节点的传播影响力为:
其中,PNSHi表示待识别节点的传播影响力,Γi表示待识别节点的邻居节点集合。
在其中一个实施例中,确定待识别节点的传播影响力的修正传播影响力为:
其中,PNSHj表示节点j的传播影响力,EPNSHi表示修正传播影响力。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种社交网络中节点传播影响力识别装置,包括:网络构建模块202、精力确定模块204、约束确定模块206、重要性度量模块208和识别模块210,其中:
网络构建模块202,用于从数据源获取社交网络;所述社交网络中包括:表示用户的节点,以及表示用户之间社交关系的连边;
精力确定模块204,用于根据所述社交网络中第一节点的度,以及第一节点的k-shell值,确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力,所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力,所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力;其中,所述第三节点为所述第一节点和所述第二节点的共同邻居;
约束确定模块206,用于根据所述第一精力、所述第二精力以及所述第三精力,确定第一节点和第二节点之间的约束系数;
重要性度量模块208,用于根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数以及反向权重函数;根据所述正向权重函数以及反向权重函数之和,确定所述连边的传播重要性值;
识别模块210,用于根据待识别节点的所有连边的所述传播重要性值,确定待识别节点的传播影响力。
在其中一个实施例中,精力确定模块204用于根据所述社交网络中第一节点的度,以及第一节点的k-shell值,确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力为:
其中,pij表示第一精力,ksi表示节点i的k-shell值,ki表示节点i的度;
所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力为:
其中,piq表示第二精力;
所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力为:
其中,pqj表示第三精力,ksj表示节点j的k-shell值,kj表示节点j的度。
在其中一个实施例中,约束确定模块206还用于根据所述第一精力、所述第二精力以及所述第三精力,确定第一节点和第二节点之间的约束系数为:
其中,Cij表示第一节点和第二节点之间的约束系数。
在其中一个实施例中,重要性度量模块208还用于根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数为f(Cij),其中f(·)为减函数;根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数为f(Cji),其中,Cji表示第二节点与第一节点之间的约束系数。
在其中一个实施例中,所述减函数为指数函数,重要性度量模块208还用于根据所述正向权重函数以及反向权重函数之和,确定所述连边的传播重要性值为:
wij=f(Cij)+f(Cji)
在其中一个实施例中,识别模块210还用于根据待识别节点的所有连边的所述传播重要性值,确定待识别节点的传播影响力为:
其中,PNSHi表示待识别节点的传播影响力,Γi表示待识别节点的邻居节点集合。
在其中一个实施例中,识别模块210还用于确定待识别节点的传播影响力的修正传播影响力为:
其中,PNSHj表示节点j的传播影响力,EPNSHi表示修正传播影响力。
关于社交网络中节点传播影响力识别装置的具体限定可以参见上文中对于社交网络中节点传播影响力识别方法的限定,在此不再赘述。上述社交网络中节点传播影响力识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种社交网络中节点传播影响力识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种社交网络中节点传播影响力识别方法,其特征在于,所述方法包括:
从数据源获取社交网络;所述社交网络中包括:表示用户的节点,以及表示用户之间社交关系的连边;
根据所述社交网络中第一节点的度,以及第一节点的k-shell值,确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力,所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力,所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力;其中,所述第三节点为所述第一节点和所述第二节点的共同邻居;
根据所述第一精力、所述第二精力以及所述第三精力,确定第一节点和第二节点之间的约束系数;
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数以及反向权重函数;
根据所述正向权重函数以及反向权重函数之和,确定所述连边的传播重要性值;
根据待识别节点的所有连边的所述传播重要性值,确定待识别节点的传播影响力。
2.根据权利要求1所述的方法,其特征在于,根据所述社交网络中第一节点的度,以及第一节点的k-shell值,确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力,所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力,所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力;其中,所述第三节点为所述第一节点和所述第二节点的共同邻居,包括:
根据所述社交网络中第一节点的度,以及第一节点的k-shell值,确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力为:
其中,pij表示第一精力,ksi表示节点i的k-shell值,ki表示节点i的度;
所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力为:
其中,piq表示第二精力;
所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力为:
其中,pqj表示第三精力,ksj表示节点j的k-shell值,kj表示节点j的度。
4.根据权利要求3所述的方法,其特征在于,根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数以及反向权重函数,包括:
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数为f(Cij),其中f(·)为减函数;
根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数为f(Cji),其中,Cji表示第二节点与第一节点之间的约束系数。
8.一种社交网络中节点传播影响力识别装置,其特征在于,所述装置包括:
网络构建模块,用于从数据源获取社交网络;所述社交网络中包括:表示用户的节点,以及表示用户之间社交关系的连边;
精力确定模块,用于根据所述社交网络中第一节点的度,以及第一节点的k-shell值,确定所述第一节点对维持与所述社交网络中第二节点的邻居关系投入的第一精力,所述第一节点对维持与所述社交网络中第三节点的邻居关系投入的第二精力,所述第二节点对维持与所述社交网络中第三节点的邻居关系投入的第三精力;其中,所述第三节点为所述第一节点和所述第二节点的共同邻居;
约束确定模块,用于根据所述第一精力、所述第二精力以及所述第三精力,确定第一节点和第二节点之间的约束系数;
重要性度量模块,用于根据所述第一节点和第二节点之间的连边的无向特性和所述约束系数,构建描述所述连边的重要性的正向权重函数以及反向权重函数;根据所述正向权重函数以及反向权重函数之和,确定所述连边的传播重要性值;
识别模块,用于根据待识别节点的所有连边的所述传播重要性值,确定待识别节点的传播影响力。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210013140.7A CN114297572B (zh) | 2022-01-06 | 2022-01-06 | 社交网络中节点传播影响力识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210013140.7A CN114297572B (zh) | 2022-01-06 | 2022-01-06 | 社交网络中节点传播影响力识别方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114297572A true CN114297572A (zh) | 2022-04-08 |
CN114297572B CN114297572B (zh) | 2022-11-29 |
Family
ID=80975104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210013140.7A Active CN114297572B (zh) | 2022-01-06 | 2022-01-06 | 社交网络中节点传播影响力识别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297572B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530097A (zh) * | 2016-10-11 | 2017-03-22 | 中国人民武装警察部队工程大学 | 一种基于随机游走机制的有向社交网络关键传播节点发现方法 |
CN107317704A (zh) * | 2017-06-22 | 2017-11-03 | 西京学院 | 一种基于紧密度和结构洞的复杂网络重要节点排序方法 |
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 |
US20180315083A1 (en) * | 2015-01-09 | 2018-11-01 | Research Foundation Of The City University Of New York | Method to maximize message spreading in social networks and find the most influential people in social media |
CN110489598A (zh) * | 2019-07-05 | 2019-11-22 | 中国联合网络通信集团有限公司 | 一种用户社团划分方法及装置 |
CN110826164A (zh) * | 2019-11-06 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种基于局部和全局连通性的复杂网络节点重要度评估方法 |
CN111127233A (zh) * | 2019-12-26 | 2020-05-08 | 华中科技大学 | 一种社交网络无向有权图中用户核值计算方法 |
CN111310290A (zh) * | 2018-12-12 | 2020-06-19 | 中移动信息技术有限公司 | 一种节点的社区划分的方法、装置及计算机可读存储介质 |
AU2020102905A4 (en) * | 2020-01-20 | 2020-12-17 | Yunnan University | A method to measure social network influence |
CN113726567A (zh) * | 2021-08-28 | 2021-11-30 | 重庆理工大学 | 复杂网络中有影响力传播者识别方法 |
-
2022
- 2022-01-06 CN CN202210013140.7A patent/CN114297572B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180315083A1 (en) * | 2015-01-09 | 2018-11-01 | Research Foundation Of The City University Of New York | Method to maximize message spreading in social networks and find the most influential people in social media |
CN106530097A (zh) * | 2016-10-11 | 2017-03-22 | 中国人民武装警察部队工程大学 | 一种基于随机游走机制的有向社交网络关键传播节点发现方法 |
CN107317704A (zh) * | 2017-06-22 | 2017-11-03 | 西京学院 | 一种基于紧密度和结构洞的复杂网络重要节点排序方法 |
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 |
CN111310290A (zh) * | 2018-12-12 | 2020-06-19 | 中移动信息技术有限公司 | 一种节点的社区划分的方法、装置及计算机可读存储介质 |
CN110489598A (zh) * | 2019-07-05 | 2019-11-22 | 中国联合网络通信集团有限公司 | 一种用户社团划分方法及装置 |
CN110826164A (zh) * | 2019-11-06 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种基于局部和全局连通性的复杂网络节点重要度评估方法 |
CN111127233A (zh) * | 2019-12-26 | 2020-05-08 | 华中科技大学 | 一种社交网络无向有权图中用户核值计算方法 |
AU2020102905A4 (en) * | 2020-01-20 | 2020-12-17 | Yunnan University | A method to measure social network influence |
CN113726567A (zh) * | 2021-08-28 | 2021-11-30 | 重庆理工大学 | 复杂网络中有影响力传播者识别方法 |
Non-Patent Citations (4)
Title |
---|
RUAN YI-RUN ET.AL: "Ranking node importance in large-scale complex networkFrom a perspective of local abnormal links", 《2017 3RD INTERNATIONAL CONFERENCE ON BIG DATA COMPUTING AND COMMUNICATIONS》 * |
YING LIU ET.AL: "Core-like groups result in invalidation of identifying super-spreader by k-shell decomposition", 《SCIENTIFIC REPORTS》 * |
苏晓萍 等: "利用邻域"结构洞"寻找社会网络中最具影响力节点", 《物理学报》 * |
阮逸润 等: "基于领域相似度的复杂网络节点重要度评估算法", 《物理学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114297572B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941555B (zh) | 测试用例推荐方法、装置、计算机设备和存储介质 | |
CN111126668A (zh) | 基于图卷积网络的Spark作业时间预测方法和装置 | |
CN109616169B (zh) | 相似患者挖掘方法、装置、计算机设备和存储介质 | |
CN110390679B (zh) | 图像处理方法、计算机设备和可读存储介质 | |
CN113821878B (zh) | 一种改善高超声速气动热热流分布异常的计算方法和装置 | |
CN110990135A (zh) | 基于深度迁移学习的Spark作业时间预测方法和装置 | |
Cao et al. | Analysis of the proportional hazards model with sparse longitudinal covariates | |
JP2012518834A5 (zh) | ||
Liu et al. | Genetic algorithm optimized Taylor Kriging surrogate model for system reliability analysis of soil slopes | |
Li et al. | Reliability analysis of structures with multimodal distributions based on direct probability integral method | |
CN111104644A (zh) | 可靠性评估方法、装置、计算机设备和存储介质 | |
CN111091276A (zh) | 企业风险评分方法、装置、计算机设备和存储介质 | |
Leckey et al. | Prediction intervals for load‐sharing systems in accelerated life testing | |
CN111008311B (zh) | 基于邻域弱连接的复杂网络节点重要性评估方法和装置 | |
CN111934937B (zh) | 基于重要性迭代的相依网络节点重要度评估方法和装置 | |
CN108764553B (zh) | 用户规模预测方法、装置及计算机设备 | |
Hu et al. | Parallel Bayesian probabilistic integration for structural reliability analysis with small failure probabilities | |
CN114297572B (zh) | 社交网络中节点传播影响力识别方法、装置和计算机设备 | |
CN114297585B (zh) | 社交网络中重要节点排序方法、装置和计算机设备 | |
Choi et al. | Joint analysis of survival time and longitudinal categorical outcomes | |
CN115795928A (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
CN113987803B (zh) | 基于模型修正的频率驾驭方法、装置、设备及存储介质 | |
KR20190109194A (ko) | 불확정성을 모델링할 수 있는 뉴럴네트워크 학습 장치 및 방법 | |
Helmers et al. | Predicting a cyclic Poisson process | |
CN113672870A (zh) | 故障事件概率估算方法、装置、计算机设备和存储介质 |
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 |