CN114465893B - 传播网络重构方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种传播网络重构方法、装置、设备及存储介质，所述方法通过获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；根据所述最终网络拓扑结构图对所述传播网络进行重构，不需要利用每个节点的感染时间信息，仅通过感染状态数据推断出节点之间的影响关系，大大减少了数据收集的工作量，有效提高了节点之间影响关系推断的准确性，提升了信息传播的速度和效率。

Description

传播网络重构方法、装置、设备及存储介质

技术领域

本发明涉及信息传播技术领域，尤其涉及一种传播网络重构方法、装置、设备及存储介质。

背景技术

信息传播就是社会中个体之间的信息传递和交流，是社会活动中必不可少的环节；信息传播方式反映着事物之间的影响关系，在我们的生活中广泛存在，例如舆论传播，病毒营销及传染病预防等；研究人员通过分析信息传播方式，可以更加准确，直观地理解传播网络的特点以及发生在其上的过程，从而能够更好地促进或阻止将来的信息传播过程；分析信息传播的方式主要是基于观察到的历史传播结果重构传播网络的拓扑结构，也就是推断组成网络的各个节点之间潜在的影响关系。

现有的大部分重构方法都认为在一段时间区间内相继感染的节点之间存在影响关系，要求观察到的历史传播结果需要准确包含每个节点的感染时间；但是实际上，想要准确地观测并记录网络中的传播过程往往是不可行或者需要耗费极大代价的，尤其是像广告传播、流行病传播这种传播周期长，节点空间分布广的情况；此外，由于一些无法避免的不确定因素，比如疾病的潜伏期，我们观察到的感染时间往往和患者真实的感染时间有所出入；由此可见，基于感染时间的传播网络推断方法在实际应用时存在很大的局限性。

发明内容

本发明的主要目的在于提供一种传播网络重构方法、装置、设备及存储介质，旨在解决现有技术中基于感染时间推断传播网络具有较大局限性，在无法准确获得感染时间时，传播网络无法快速准确构建，进而影响信息传播的精确性和速度的技术问题。

第一方面，本发明提供一种传播网络重构方法，所述传播网络重构方法包括以下步骤：

获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；

根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；

根据所述最终网络拓扑结构图对所述传播网络进行重构。

可选地，所述获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数，包括：

获取传播网络中各节点的节点集合和各节点之间有向边所组成的边集合，并对所述边集合初始化为空集；

根据所述节点集合和所述边集合计算各节点的出现概率和各节点之间的联合概率，根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据；

根据所述节点感染状态数据计算各节点之间的影响程度分数。

可选地，所述根据所述节点集合和所述边集合计算各节点的出现概率和各节点之间的联合概率，根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据，包括：

根据所述节点集合和所述边集合确定所述传播网络中的感染结果，根据所述感染结果中节点处于感染状态的次数，根据所述次数通过下式计算各节点的出现概率和各节点之间的联合概率：

其中，X_i表示节点V_i的感染状态，X_j表示节点V_j的感染状态，N_i表示在所有感染结果中节点V_i处于X_i状态出现的次数，N_i,j表示在所有感染结果中节点V_i处于X_i状态并且节点V_j处于X_j状态出现的次数，N表示数据记录总数，P(X_i)为节点V_i的出现概率，P(X_i,X_j)为节点V_i与节点V_j的联合概率。

根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据。

可选地，所述根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据，包括：

根据所述出现概率和所述联合概率通过下式确定各节点之间的感染互信息：

IMI(X_i,X_j)＝MI(X_i＝1,X_j＝1)+MI(X_i＝0,X_j＝0)-|MI(X_i＝1,X_j＝0)|-|MI(X_i＝0,X_j＝1)|

其中，

为计算节点V_i和节点V_j感染状态之间互信息的分量，P(X_i)为节点V_i处于状态X_i的概率，P(X_i,X_j)为节点V_i处于状态X_i，同时节点V_j处于状态X_j的联合概率；IMI(X_i,X_j)为感染互信息，MI(X_i＝1,X_j＝1)为节点V_i和节点V_j均处于感染状态时的相关性分量，属于正感染关联，MI(X_i＝0,X_j＝0)为节点V_i和节点V_j均处于未感染状态时的相关性分量，也属于正感染关联，|MI(X_i＝1,X_j＝0)|为节点V_i处于感染状态而节点V_j处于未感染状态时的相关性分量，属于负感染关联，|MI(X_i＝0,X_j＝1)|为节点V_i处于未感染状态而节点V_j处于感染状态时的相关性分量，也属于负感染关联；

将所述感染互信息作为感染状态数据。

可选地，所述根据所述节点感染状态数据计算各节点之间的影响程度分数，包括：

对各节点的父节点集合进行初始化；

根据所述节点感染状态数据确定各节点的节点感染状态和初始化的父节点集合中各节点的父节点的最终感染状态；

根据节点感染状态和所述最终感染状态通过下式计算各节点之间的影响程度分数：

其中，g(v_i,F_j)为影响程度分数，L(v_i,F_i)为节点v_i的父节点集合为F_i时的似然，

为节点v_i的父节点感染状态取值的所有可能情况数，j为节点v_i的父节点集合的感染状态取值的下标，k为节点v_i的感染状态取值的下标，N_ijk为在所有感染结果中出现X_i＝s_k并且v_i的父节点感染状态取值为所有可能取值的第j种这样的情况的次数，X_i表示节点V_i的感染状态，N_ij为在所有感染结果中v_i的父节点感染状态取值为所有可能取值的第j种的次数，s_k表示感染状态，s_k＝1表示节点处于感染状态，s_k＝0表示节点处于未感染状态，F_i表示节点v_i的父节点集合。

可选地，所述根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图，包括：

将各节点中节点数据小于预设节点数据阈值的节点的父节点记录至候选父节点集合；

其中，所述预设节点数据阈值的计算公式如下：

其中，η为所述预设节点数据阈值，α为常数，β为记录的传播过程的个数，e为自然常数；

将所述候选父节点集合中影响程度分数最高的候选父节点组合不断地加入目标父节点集合中，直至所述候选父节点集合中没有候选父节点组合剩余；

将所述目标父节点集合中的父节点分别指向各节点，生成对应的目标有向边，并将所述目标有向边加入到所述边集合中，生成新的目标边集合；

根据所述节点集合和所述目标边集合对各节点之间的影响关系进行修正，获得最终网络拓扑结构图。

可选地，所述根据所述最终网络拓扑结构图对所述传播网络进行重构，包括：

根据所述最终网络拓扑结构图对传播网络中的各节点的拓扑结构进行重新构建，生成重构后的传播网络。

第二方面，为实现上述目的，本发明还提出一种传播网络重构装置，所述传播网络重构装置包括：

计算模块，用于获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；

修正模块，用于根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；

重构模块，用于根据所述最终网络拓扑结构图对所述传播网络进行重构。

第三方面，为实现上述目的，本发明还提出一种传播网络重构设备，所述传播网络重构设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传播网络重构程序，所述传播网络重构程序配置为实现如上文所述的传播网络重构方法的步骤。

第四方面，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有传播网络重构程序，所述传播网络重构程序被处理器执行时实现如上文所述的传播网络重构方法的步骤。

本发明提出的传播网络重构方法，通过获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；根据所述最终网络拓扑结构图对所述传播网络进行重构，不需要利用每个节点的感染时间信息，仅通过感染状态数据推断出节点之间的影响关系，大大减少了数据收集的工作量，有效提高了节点之间影响关系推断的准确性，提升了信息传播的速度和效率。

附图说明

图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；

图2为本发明传播网络重构方法第一实施例的流程示意图；

图3为本发明传播网络重构方法第二实施例的流程示意图；

图4为本发明传播网络重构装置第一实施例的功能模块图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的解决方案主要是：通过获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；根据所述最终网络拓扑结构图对所述传播网络进行重构，不需要利用每个节点的感染时间信息，仅通过感染状态数据推断出节点之间的影响关系，大大减少了数据收集的工作量，有效提高了节点之间影响关系推断的准确性，提升了信息传播的速度和效率，解决了现有技术中基于感染时间推断传播网络具有较大局限性，在无法准确获得感染时间时，传播网络无法快速准确构建，进而影响信息传播的精确性和速度的技术问题。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。

如图1所示，该设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(Non-Volatile Memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的设备结构并不构成对该设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及传播网络重构程序。

本发明设备通过处理器1001调用存储器1005中存储的传播网络重构程序，并执行以下操作：

获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；

根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；

根据所述最终网络拓扑结构图对所述传播网络进行重构。

本发明设备通过处理器1001调用存储器1005中存储的传播网络重构程序，还执行以下操作：

获取传播网络中各节点的节点集合和各节点之间有向边所组成的边集合，并对所述边集合初始化为空集；

根据所述节点集合和所述边集合计算各节点的出现概率和各节点之间的联合概率，根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据；

根据所述节点感染状态数据计算各节点之间的影响程度分数。

本发明设备通过处理器1001调用存储器1005中存储的传播网络重构程序，还执行以下操作：

根据所述节点集合和所述边集合确定所述传播网络中的感染结果，根据所述感染结果中节点处于感染状态的次数，根据所述次数通过下式计算各节点的出现概率和各节点之间的联合概率：

其中，X_i表示节点V_i的感染状态，X_j表示节点V_j的感染状态，N_i表示在所有感染结果中节点V_i处于X_i状态出现的次数，N_i,j表示在所有感染结果中节点V_i处于X_i状态并且节点V_j处于X_j状态出现的次数，N表示数据记录总数，P(X_i)为节点V_i的出现概率，P(X_i,X_j)为节点V_i与节点V_j的联合概率；

根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据。

本发明设备通过处理器1001调用存储器1005中存储的传播网络重构程序，还执行以下操作：

根据所述出现概率和所述联合概率通过下式确定各节点之间的感染互信息：

IMI(X_i,X_j)＝MI(X_i＝1,X_j＝1)+MI(X_i＝0,X_j＝0)-|MI(X_i＝1,X_j＝0)|-|MI(X_i＝0,X_j＝1)|

其中，

为计算节点V_i和节点V_j感染状态之间互信息的分量，P(X_i)为节点V_i处于状态X_i的概率，P(X_i,X_j)为节点V_i处于状态X_i，同时节点V_j处于状态X_j的联合概率；IMI(X_i,X_j)为感染互信息，MI(X_i＝1,X_j＝1)为节点V_i和节点V_j均处于感染状态时的相关性分量，属于正感染关联，MI(X_i＝0,X_j＝0)为节点V_i和节点V_j均处于未感染状态时的相关性分量，也属于正感染关联，|MI(X_i＝1,X_j＝0)|为节点V_i处于感染状态而节点V_j处于未感染状态时的相关性分量，属于负感染关联，|MI(X_i＝0,X_j＝1)|为节点V_i处于未感染状态而节点V_j处于感染状态时的相关性分量，也属于负感染关联；

将所述感染互信息作为感染状态数据。

本发明设备通过处理器1001调用存储器1005中存储的传播网络重构程序，还执行以下操作：

对各节点的父节点集合进行初始化；

根据所述节点感染状态数据确定各节点的节点感染状态和初始化的父节点集合中各节点的父节点的最终感染状态；

根据节点感染状态和所述最终感染状态通过下式计算各节点之间的影响程度分数：

其中，g(v_i,F_i)为影响程度分数，L(v_i,F_i)为节点v_i的父节点集合为F_i时的似然，

为节点v_i的父节点感染状态取值的所有可能情况数，j为节点v_i的父节点集合的感染状态取值的下标，k为节点v_i的感染状态取值的下标，N_ijk为在所有感染结果中出现X_i＝s_k并且v_i的父节点感染状态取值为所有可能取值的第j种这样的情况的次数，X_i表示节点V_i的感染状态，N_ij为在所有感染结果中v_i的父节点感染状态取值为所有可能取值的第j种的次数，s_k表示感染状态，s_k＝1表示节点处于感染状态，s_k＝0表示节点处于未感染状态，F_i表示节点v_i的父节点集合。

本发明设备通过处理器1001调用存储器1005中存储的传播网络重构程序，还执行以下操作：

将各节点中节点数据小于预设节点数据阈值的节点的父节点记录至候选父节点集合；

其中，所述预设节点数据阈值的计算公式如下：

其中，η为所述预设节点数据阈值，α为常数，β为记录的传播过程的个数，e为自然常数；将所述候选父节点集合中影响程度分数最高的候选父节点组合不断地加入目标父节点集合中，直至所述候选父节点集合中没有候选父节点组合剩余；

将所述目标父节点集合中的父节点分别指向各节点，生成对应的目标有向边，并将所述目标有向边加入到所述边集合中，生成新的目标边集合；

根据所述节点集合和所述目标边集合对各节点之间的影响关系进行修正，获得最终网络拓扑结构图。

本发明设备通过处理器1001调用存储器1005中存储的传播网络重构程序，还执行以下操作：

根据所述最终网络拓扑结构图对传播网络中的各节点的拓扑结构进行重新构建，生成重构后的传播网络。

本实施例通过上述方案，通过获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；根据所述最终网络拓扑结构图对所述传播网络进行重构，不需要利用每个节点的感染时间信息，仅通过感染状态数据推断出节点之间的影响关系，大大减少了数据收集的工作量，有效提高了节点之间影响关系推断的准确性，提升了信息传播的速度和效率。

基于上述硬件结构，提出本发明传播网络重构方法实施例。

参照图2，图2为本发明传播网络重构方法第一实施例的流程示意图。

在第一实施例中，所述传播网络重构方法包括以下步骤：

步骤S10、获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数。

需要说明的是，在不知道节点的确切感染时间，仅了解节点的感染状态时，可以获取传播网络中各节点的节点感染状态数据，通过所述节点感染状态数据可以确定各节点之间的潜在的影响关系，进而计算出影响关系中各节点的影响程度对应的分数。

步骤S20、根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图。

可以理解的是，通过所述影响程度分数可以对各节点之间已有的影响关系进行修正，进而通过修改中后的影响关系可以获得最终的网络拓扑结构图。

进一步的，所述步骤S20具体包括以下步骤：

将各节点中节点数据小于预设节点数据阈值的节点的父节点记录至候选父节点集合；

其中，所述预设节点数据阈值的计算公式如下：

其中，η为所述预设节点数据阈值，α为常数，β为记录的传播过程的个数，e为自然常数；

将所述候选父节点集合中影响程度分数最高的候选父节点组合不断地加入目标父节点集合中，直至所述候选父节点集合中没有候选父节点组合剩余；

将所述目标父节点集合中的父节点分别指向各节点，生成对应的目标有向边，并将所述目标有向边加入到所述边集合中，生成新的目标边集合；

根据所述节点集合和所述目标边集合对各节点之间的影响关系进行修正，获得最终网络拓扑结构图。

应当理解的是，通过设定阈值η，对于每个可能的大小小于η的候选父节点组合W∈P_i，计算并记录其局部得分g(v_i,W)，并将W加入候选父节点组合的集合C_i中。

步骤S30、根据所述最终网络拓扑结构图对所述传播网络进行重构。

应当理解的是，通过所述最终网络拓扑结构图可以对传播网络中的各节点进行调整，从而完成对传播网络的重构。

进一步的，所述步骤S30具体包括以下步骤：

根据所述最终网络拓扑结构图对传播网络中的各节点的拓扑结构进行重新构建，生成重构后的传播网络。

在具体实现中，将C_i中此时得分最高的候选父节点组合W^*不断地加入父节点集合F_i中，直到C_i中没有候选父节点组合剩余。之后，将F_i中的父节点分别指向节点v_i，从而形成相应的有向边加入到边集E中，将边集E与点集V组成影响关系图G，进而可以将图G返回给用户，只需利用节点的最终感染状态数据就可以相对准确地找到传播网络中各个节点之间的影响关系图。

本实施例通过上述方案，通过获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；根据所述最终网络拓扑结构图对所述传播网络进行重构，不需要利用每个节点的感染时间信息，仅通过感染状态数据推断出节点之间的影响关系，大大减少了数据收集的工作量，有效提高了节点之间影响关系推断的准确性，提升了信息传播的速度和效率。

进一步地，图3为本发明传播网络重构方法第二实施例的流程示意图，如图3所示，基于第一实施例提出本发明传播网络重构方法第二实施例，在本实施例中，所述步骤S10具体包括以下步骤：

步骤S11、获取传播网络中各节点的节点集合和各节点之间有向边所组成的边集合，并对所述边集合初始化为空集。

需要说明的是，获取传播网络中各网络节点的有向边所组成的边集合，并对所述边集合进行初始化，从而获得初始后的空集。

步骤S12、根据所述节点集合和所述边集合计算各节点的出现概率和各节点之间的联合概率，根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据。

可以理解的是，依次考虑传播网络的每个节点的节点集合以及有向边的边集合，从而可以根据所述节点集合和所述边集合计算各节点的出现概率和各节点之间的联合概率，即各节点其自身出现的概率，以及每个节点和其他剩余节点的联合概率，通过所述出现概率和所述联合概率可以确定各节点之间的感染互信息，所述感染互信息为各节点互相感染影响的信息，从而可以将所述感染互信息作为感染状态数据。

进一步的，所述步骤S12具体包括以下步骤：

根据所述节点集合和所述边集合确定所述传播网络中的感染结果，根据所述感染结果中节点处于感染状态的次数，根据所述次数通过下式计算各节点的出现概率和各节点之间的联合概率：

其中，X_i表示节点V_i的感染状态，X_j表示节点V_j的感染状态，N_i表示在所有感染结果中节点V_i处于X_i状态出现的次数，N_i,j表示在所有感染结果中节点V_i处于X_i状态并且节点V_j处于X_j状态出现的次数，N表示数据记录总数，P(X_i)为节点V_i的出现概率，P(X_i,X_j)为节点V_i与节点V_j的联合概率；

根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据。

需要说明的是，初始化有向边的边集合为空集后，可以依次考虑网络中的每个节点V_i，可以计算其自身出现概率P(X_i)，从而获得与剩余每个节点v_j∈V\{v_i}的联合概率P(X_j,X_j)。

进一步的，所述步骤根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据，包括以下步骤：

根据所述出现概率和所述联合概率通过下式确定各节点之间的感染互信息：

IMI(X_i,X_j)＝MI(X_i＝1,X_j＝1)+MI(X_i＝0,X_j＝0)-|MI(X_i＝1,X_j＝0)|-|MI(X_i＝0,X_j＝1)|

其中，

为计算节点V_i和节点V_j感染状态之间互信息的分量，P(X_i)为节点V_i处于状态X_i的概率，P(X_i,X_j)为节点V_i处于状态X_i，同时节点V_j处于状态X_j的联合概率；IMI(X_i,X_j)为感染互信息，MI(X_i＝1,X_j＝1)为节点V_i和节点V_j均处于感染状态时的相关性分量，属于正感染关联，MI(X_i＝0,X_j＝0)为节点V_i和节点V_j均处于未感染状态时的相关性分量，也属于正感染关联，|MI(X_i＝1,X_j＝0)|为节点V_i处于感染状态而节点V_j处于未感染状态时的相关性分量，属于负感染关联，|MI(X_i＝0,X_j＝1)|为节点V_i处于未感染状态而节点V_j处于感染状态时的相关性分量，也属于负感染关联；

将所述感染互信息作为感染状态数据。

可以理解的是，对于网络中的任意两个节点V_i和V_j，计算他们之间的感染互信息(Infection Mutual Information)IMI(X_i,X_j)，并在所有非负的感染互信息值上执行K-means算法(K＝2)，其中一组的聚类中心固定为0，并将均值接近0的聚类簇中最大的感染互信息值记为τ，感染互信息的计算方式如上述公式。

步骤S13、根据所述节点感染状态数据计算各节点之间的影响程度分数。

应当理解的是，通过所述节点感染状态数据和对应相应的计算公式可以计算出各节点之间的影响程度分数。

进一步的，所述步骤S13具体包括以下步骤：

对各节点的父节点集合进行初始化；

根据所述节点感染状态数据确定各节点的节点感染状态和初始化的父节点集合中各节点的父节点的最终感染状态；

根据节点感染状态和所述最终感染状态通过下式计算各节点之间的影响程度分数：

其中，g(v_i,F_i)为影响程度分数，L(v_i,F_i)为节点v_i的父节点集合为F_i时的似然，

为节点v_i的父节点感染状态取值的所有可能情况数，j为节点v_i的父节点集合的感染状态取值的下标，k为节点v_i的感染状态取值的下标，N_ijk为在所有感染结果中出现X_i＝s_k并且v_i的父节点感染状态取值为所有可能取值的第j种这样的情况的次数，X_i表示节点V_i的感染状态，N_ij为在所有感染结果中v_i的父节点感染状态取值为所有可能取值的第j种的次数，s_k表示感染状态，s_k＝1表示节点处于感染状态，s_k＝0表示节点处于未感染状态，F_i表示节点v_i的父节点集合。

本实施例通过上述方案，通过获取传播网络中各节点的节点集合和各节点之间有向边所组成的边集合，并对所述边集合初始化为空集；根据所述节点集合和所述边集合计算各节点的出现概率和各节点之间的联合概率，根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据；根据所述节点感染状态数据计算各节点之间的影响程度分数；能够准确获得节点之间的影响程度分数，有效提高了节点之间影响关系推断的准确性。

相应地，本发明进一步提供一种传播网络重构装置。

参照图4，图4为本发明传播网络重构装置第一实施例的功能模块图。

本发明传播网络重构装置第一实施例中，该传播网络重构装置包括：

计算模块10，用于获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数。

修正模块20，用于根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图。

重构模块30，用于根据所述最终网络拓扑结构图对所述传播网络进行重构。

所述计算模块10，还用于获取传播网络中各节点的节点集合和各节点之间有向边所组成的边集合，并对所述边集合初始化为空集；根据所述节点集合和所述边集合计算各节点的出现概率和各节点之间的联合概率，根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据；根据所述节点感染状态数据计算各节点之间的影响程度分数。

所述计算模块10，还用于根据所述节点集合和所述边集合确定所述传播网络中的感染结果，根据所述感染结果中节点处于感染状态的次数，根据所述次数通过下式计算各节点的出现概率和各节点之间的联合概率：

其中，X_i表示节点V_i的感染状态，X_j表示节点V_j的感染状态，N_i表示在所有感染结果中节点V_i处于X_i状态出现的次数，N_i,j表示在所有感染结果中节点V_i处于X_i状态并且节点V_j处于X_j状态出现的次数，N表示数据记录总数，P(X_i)为节点V_i的出现概率，P(X_i,X_j)为节点V_i与节点V_j的联合概率；

根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据。

所述计算模块10，还用于根据所述出现概率和所述联合概率通过下式确定各节点之间的感染互信息：

IMI(X_i,X_j)＝MI(X_i＝1,X_j＝1)+MI(X_i＝0,X_j＝0)-|MI(X_i＝1,X_j＝0)|-|MI(X_i＝0,X_j＝1)|

其中，

为计算节点V_i和节点V_j感染状态之间互信息的分量，P(X_i)为节点V_i处于状态X_i的概率，P(X_i,X_j)为节点V_i处于状态X_i，同时节点V_j处于状态X_j的联合概率；IMI(X_i,X_j)为感染互信息，MI(X_i＝1,X_j＝1)为节点V_i和节点V_j均处于感染状态时的相关性分量，属于正感染关联，MI(X_i＝0,X_j＝0)为节点V_i和节点V_j均处于未感染状态时的相关性分量，也属于正感染关联，|MI(X_i＝1,X_j＝0)|为节点V_i处于感染状态而节点V_j处于未感染状态时的相关性分量，属于负感染关联，|MI(X_i＝0,X_j＝1)|为节点V_i处于未感染状态而节点V_j处于感染状态时的相关性分量，也属于负感染关联；

将所述感染互信息作为感染状态数据。

所述计算模块10，还用于对各节点的父节点集合进行初始化；

根据所述节点感染状态数据确定各节点的节点感染状态和初始化的父节点集合中各节点的父节点的最终感染状态；

根据节点感染状态和所述最终感染状态通过下式计算各节点之间的影响程度分数：

其中，g(v_i,F_i)为影响程度分数，L(v_i,F_i)为节点v_i的父节点集合为F_i时的似然，

为节点v_i的父节点感染状态取值的所有可能情况数，j为节点v_i的父节点集合的感染状态取值的下标，k为节点v_i的感染状态取值的下标，N_ijk为在所有感染结果中出现X_i＝s_k并且v_i的父节点感染状态取值为所有可能取值的第j种这样的情况的次数，X_i表示节点V_i的感染状态，N_ij为在所有感染结果中v_i的父节点感染状态取值为所有可能取值的第j种的次数，s_k表示感染状态，s_k＝1表示节点处于感染状态，s_k＝0表示节点处于未感染状态，F_i表示节点v_i的父节点集合。

所述修正模块20，还用于将各节点中节点数据小于预设节点数据阈值的节点的父节点记录至候选父节点集合；

其中，所述预设节点数据阈值的计算公式如下：

其中，η为所述预设节点数据阈值，α为常数，β为记录的传播过程的个数，e为自然常数；

将所述候选父节点集合中影响程度分数最高的候选父节点组合不断地加入目标父节点集合中，直至所述候选父节点集合中没有候选父节点组合剩余；

将所述目标父节点集合中的父节点分别指向各节点，生成对应的目标有向边，并将所述目标有向边加入到所述边集合中，生成新的目标边集合；

根据所述节点集合和所述目标边集合对各节点之间的影响关系进行修正，获得最终网络拓扑结构图。

所述重构模块30，还用于根据所述最终网络拓扑结构图对传播网络中的各节点的拓扑结构进行重新构建，生成重构后的传播网络。

其中，传播网络重构装置的各个功能模块实现的步骤可参照本发明传播网络重构方法的各个实施例，此处不再赘述。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有传播网络重构程序，所述传播网络重构程序被处理器执行时实现如下操作：

获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；

根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；

根据所述最终网络拓扑结构图对所述传播网络进行重构。

进一步地，所述传播网络重构程序被处理器执行时还实现如下操作：

获取传播网络中各节点的节点集合和各节点之间有向边所组成的边集合，并对所述边集合初始化为空集；

根据所述节点集合和所述边集合计算各节点的出现概率和各节点之间的联合概率，根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据；

根据所述节点感染状态数据计算各节点之间的影响程度分数。

进一步地，所述传播网络重构程序被处理器执行时还实现如下操作：

根据所述节点集合和所述边集合确定所述传播网络中的感染结果，根据所述感染结果中节点处于感染状态的次数，根据所述次数通过下式计算各节点的出现概率和各节点之间的联合概率：

其中，X_i表示节点V_i的感染状态，X_j表示节点V_j的感染状态，N_i表示在所有感染结果中节点V_i处于X_i状态出现的次数，N_i,j表示在所有感染结果中节点V_i处于X_i状态并且节点V_j处于X_j状态出现的次数，N表示数据记录总数，P(X_i)为节点V_i的出现概率，P(X_i,X_j)为节点V_i与节点V_j的联合概率；

根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据。

进一步地，所述传播网络重构程序被处理器执行时还实现如下操作：

根据所述出现概率和所述联合概率通过下式确定各节点之间的感染互信息：

IMI(X_i,X_j)＝MI(X_i＝1,X_j＝1)+MI(X_i＝0,X_j＝0)-|MI(X_i＝1,X_j＝0)|-|MI(X_i＝0,X_j＝1)|

其中，

为计算节点V_i和节点V_j感染状态之间互信息的分量，P(X_i)为节点V_i处于状态X_i的概率，P(X_i,X_j)为节点V_i处于状态X_i，同时节点V_j处于状态X_j的联合概率；IMI(X_i,X_j)为感染互信息，MI(X_i＝1,X_j＝1)为节点V_i和节点V_j均处于感染状态时的相关性分量，属于正感染关联，MI(X_i＝0,X_j＝0)为节点V_i和节点V_j均处于未感染状态时的相关性分量，也属于正感染关联，|MI(X_i＝1,X_j＝0)|为节点V_i处于感染状态而节点V_j处于未感染状态时的相关性分量，属于负感染关联，|MI(X_i＝0,X_j＝1)|为节点V_i处于未感染状态而节点V_j处于感染状态时的相关性分量，也属于负感染关联；

将所述感染互信息作为感染状态数据。

进一步地，所述传播网络重构程序被处理器执行时还实现如下操作：

对各节点的父节点集合进行初始化；

根据所述节点感染状态数据确定各节点的节点感染状态和初始化的父节点集合中各节点的父节点的最终感染状态；

根据节点感染状态和所述最终感染状态通过下式计算各节点之间的影响程度分数：

其中，g(v_i,F_i)为影响程度分数，L(v_i,F_i)为节点v_i的父节点集合为F_i时的似然，

为节点v_i的父节点感染状态取值的所有可能情况数，j为节点v_i的父节点集合的感染状态取值的下标，k为节点v_i的感染状态取值的下标，N_ijk为在所有感染结果中出现X_i＝s_k并且v_i的父节点感染状态取值为所有可能取值的第j种这样的情况的次数，X_i表示节点V_i的感染状态，N_ij为在所有感染结果中v_i的父节点感染状态取值为所有可能取值的第j种的次数，s_k表示感染状态，s_k＝1表示节点处于感染状态，s_k＝0表示节点处于未感染状态，F_i表示节点v_i的父节点集合。

进一步地，所述传播网络重构程序被处理器执行时还实现如下操作：

将各节点中节点数据小于预设节点数据阈值的节点的父节点记录至候选父节点集合；

其中，所述预设节点数据阈值的计算公式如下：

其中，η为所述预设节点数据阈值，α为常数，β为记录的传播过程的个数，e为自然常数；

将所述候选父节点集合中影响程度分数最高的候选父节点组合不断地加入目标父节点集合中，直至所述候选父节点集合中没有候选父节点组合剩余；

将所述目标父节点集合中的父节点分别指向各节点，生成对应的目标有向边，并将所述目标有向边加入到所述边集合中，生成新的目标边集合；

根据所述节点集合和所述目标边集合对各节点之间的影响关系进行修正，获得最终网络拓扑结构图。

进一步地，所述传播网络重构程序被处理器执行时还实现如下操作：

根据所述最终网络拓扑结构图对传播网络中的各节点的拓扑结构进行重新构建，生成重构后的传播网络。

本实施例通过上述方案，通过获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；根据所述最终网络拓扑结构图对所述传播网络进行重构，不需要利用每个节点的感染时间信息，仅通过感染状态数据推断出节点之间的影响关系，大大减少了数据收集的工作量，有效提高了节点之间影响关系推断的准确性，提升了信息传播的速度和效率。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种传播网络重构方法，其特征在于，所述传播网络重构方法包括：

获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；

根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；

根据所述最终网络拓扑结构图对所述传播网络进行重构；

其中，所述获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数，包括：

获取传播网络中各节点的节点集合和各节点之间有向边所组成的边集合，并对所述边集合初始化为空集；

根据所述节点集合和所述边集合计算各节点的出现概率和各节点之间的联合概率，根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据；

根据所述节点感染状态数据计算各节点之间的影响程度分数；

其中，所述根据所述节点集合和所述边集合计算各节点的出现概率和各节点之间的联合概率，根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据，包括：

根据所述节点集合和所述边集合确定所述传播网络中的感染结果，根据所述感染结果中节点处于感染状态的次数，根据所述次数通过下式计算各节点的出现概率和各节点之间的联合概率：

其中，X_i表示节点V_i的感染状态，X_j表示节点V_j的感染状态，N_i表示在所有感染结果中节点V_i处于X_i状态出现的次数，N_i，j表示在所有感染结果中节点V_i处于X_i状态并且节点V_j处于X_j状态出现的次数，N表示数据记录总数，P(X_i)为节点V_i的出现概率，P(X_i，X_j)为节点V_i与节点V_j的联合概率；

根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据；

其中，所述根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据，包括：

根据所述出现概率和所述联合概率通过下式确定各节点之间的感染互信息：

IMI(X_i，X_j)＝MI(X_i＝1，X_j＝1)+MI(X_i＝0，X_j＝0)-|MI(X_i＝1，X_j＝0)|-|MI(X_i＝0，X_j＝1)|

其中，

为计算节点V_i和节点V_j感染状态之间互信息的分量，P(X_i)为节点V_i处于状态X_i的概率，P(X_i，X_j)为节点V_i处于状态X_i，同时节点V_j处于状态X_j的联合概率；IMI(X_i，X_j)为感染互信息，MI(X_i＝1，X_j＝1)为节点V_i和节点V_j均处于感染状态时的相关性分量，属于正感染关联，MI(X_i＝0，X_j＝0)为节点V_i和节点V_j均处于未感染状态时的相关性分量，也属于正感染关联，|MI(X_i＝1，X_j＝0)|为节点V_i处于感染状态而节点V_j处于未感染状态时的相关性分量，属于负感染关联，|MI(X_i＝0，X_j＝1)|为节点V_i处于未感染状态而节点V_j处于感染状态时的相关性分量，也属于负感染关联；

将所述感染互信息作为感染状态数据。

2.如权利要求1所述的传播网络重构方法，其特征在于，所述根据所述节点感染状态数据计算各节点之间的影响程度分数，包括：

对各节点的父节点集合进行初始化；

根据所述节点感染状态数据确定各节点的节点感染状态和初始化的父节点集合中各节点的父节点的最终感染状态；

根据节点感染状态和所述最终感染状态通过下式计算各节点之间的影响程度分数：

其中，g(v_i，F_i)为影响程度分数，L(v_i，F_i)为节点v_i的父节点集合为F_i时的似然，

为节点v_i的父节点感染状态取值的所有可能情况数，j为节点v_i的父节点集合的感染状态取值的下标，k为节点v_i的感染状态取值的下标，N_ijk为在所有感染结果中出现X_i＝s_k并且v_i的父节点感染状态取值为所有可能取值的第j种这样的情况的次数，X_i表示节点V_i的感染状态，N_ij为在所有感染结果中v_i的父节点感染状态取值为所有可能取值的第j种的次数，s_k表示感染状态，s_k＝1表示节点处于感染状态，s_k＝0表示节点处于未感染状态，F_i表示节点v_i的父节点集合。

3.如权利要求1所述的传播网络重构方法，其特征在于，所述根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图，包括：

将各节点中节点数据小于预设节点数据阈值的节点的父节点记录至候选父节点集合；

其中，所述预设节点数据阈值的计算公式如下：

其中，η为所述预设节点数据阈值，α为常数，β为记录的传播过程的个数，e为自然常数；

将所述候选父节点集合中影响程度分数最高的候选父节点组合不断地加入目标父节点集合中，直至所述候选父节点集合中没有候选父节点组合剩余；

将所述目标父节点集合中的父节点分别指向各节点，生成对应的目标有向边，并将所述目标有向边加入到所述边集合中，生成新的目标边集合；

根据所述节点集合和所述目标边集合对各节点之间的影响关系进行修正，获得最终网络拓扑结构图。

4.如权利要求1所述的传播网络重构方法，其特征在于，所述根据所述最终网络拓扑结构图对所述传播网络进行重构，包括：

根据所述最终网络拓扑结构图对传播网络中的各节点的拓扑结构进行重新构建，生成重构后的传播网络。

5.一种传播网络重构装置，其特征在于，所述传播网络重构装置包括：

计算模块，用于获取传播网络中各节点的节点感染状态数据，根据所述节点感染状态数据计算各节点之间的影响程度分数；

修正模块，用于根据所述影响程度分数对各节点之间的影响关系进行修正，获得最终网络拓扑结构图；

重构模块，用于根据所述最终网络拓扑结构图对所述传播网络进行重构；

所述计算模块，还用于获取传播网络中各节点的节点集合和各节点之间有向边所组成的边集合，并对所述边集合初始化为空集；

根据所述节点集合和所述边集合计算各节点的出现概率和各节点之间的联合概率，根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据；

根据所述节点感染状态数据计算各节点之间的影响程度分数；

所述计算模块，还用于根据所述节点集合和所述边集合确定所述传播网络中的感染结果，根据所述感染结果中节点处于感染状态的次数，根据所述次数通过下式计算各节点的出现概率和各节点之间的联合概率：

其中，X_i表示节点V_i的感染状态，X_j表示节点V_j的感染状态，N_i表示在所有感染结果中节点V_i处于X_i状态出现的次数，N_i，j表示在所有感染结果中节点V_i处于X_i状态并且节点V_j处于X_j状态出现的次数，N表示数据记录总数，P(X_i)为节点V_i的出现概率，P(X_i，X_j)为节点V_i与节点V_j的联合概率；

根据所述出现概率和所述联合概率确定各节点之间的感染互信息，将所述感染互信息作为感染状态数据；

所述计算模块，还用于根据所述出现概率和所述联合概率通过下式确定各节点之间的感染互信息：

IMI(X_i，X_j)＝MI(X_i＝1，X_j＝1)+MI(X_i＝0，X_j＝0)-|MI(X_i＝1，X_j＝0)|-|MI(X_i＝0，X_j＝1)|

其中，

为计算节点V_i和节点V_j感染状态之间互信息的分量，P(X_i)为节点V_i处于状态X_i的概率，P(X_i，X_j)为节点V_i处于状态X_i，同时节点V_j处于状态X_j的联合概率；IMI(X_i，X_j)为感染互信息，MI(X_i＝1，X_j＝1)为节点V_i和节点V_j均处于感染状态时的相关性分量，属于正感染关联，MI(X_i＝0，X_j＝0)为节点V_i和节点V_j均处于未感染状态时的相关性分量，也属于正感染关联，|MI(X_i＝1，X_j＝0)|为节点V_i处于感染状态而节点V_j处于未感染状态时的相关性分量，属于负感染关联，|MI(X_i＝0，X_j＝1)|为节点V_i处于未感染状态而节点V_j处于感染状态时的相关性分量，也属于负感染关联；

将所述感染互信息作为感染状态数据。

6.一种传播网络重构设备，其特征在于，所述传播网络重构设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传播网络重构程序，所述传播网络重构程序配置为实现如权利要求1至4中任一项所述的传播网络重构方法的步骤。

7.一种存储介质，其特征在于，所述存储介质上存储有传播网络重构程序，所述传播网络重构程序被处理器执行时实现如权利要求1至4中任一项所述的传播网络重构方法的步骤。

Images