CN114640643B - 基于群体智能的信息跨社群传播最大化方法及系统 - Google Patents
基于群体智能的信息跨社群传播最大化方法及系统 Download PDFInfo
- Publication number
- CN114640643B CN114640643B CN202210158610.9A CN202210158610A CN114640643B CN 114640643 B CN114640643 B CN 114640643B CN 202210158610 A CN202210158610 A CN 202210158610A CN 114640643 B CN114640643 B CN 114640643B
- Authority
- CN
- China
- Prior art keywords
- information
- network node
- population
- community
- network
- 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 31
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 230000000644 propagated effect Effects 0.000 claims abstract description 28
- 230000004913 activation Effects 0.000 claims abstract description 22
- 238000001994 activation Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 6
- 230000007480 spreading Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000008263 repair mechanism Effects 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]
- H04L51/043—Real-time or near real-time messaging, e.g. instant messaging [IM] using or handling presence information
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于群体智能的信息跨社群传播最大化方法及系统，包括以下步骤：对信息进行分析，获取待传播信息；构建信息传播模型，所述信息传播模型设定网络节点；将信息传播模型中社交网络进行划分，形成不同社群；根据网络节点的激活状态将待传播信息在不同社群进行传播；通过优化器对社群信息进行更新，根据更新后的社群信息完成信息传播；本发明首先运用独立级联模型来描述信息的传播；然后在现有的影响力最大化问题综合考虑社群多样性的影响，得到多目标优化的影响力最大化问题；接着通过目标加权将多目标优化问题转化为单目标优化问题；最后采用一种高效的演化分治算法来求解发生在大规模社交网络上的信息跨社群传播最大化问题。
Description
技术领域
本发明涉及网络传播和演化计算研究领域，特别涉及基于群体智能的信息跨社群传播最大化方法及系统。
背景技术
信息传播指特定的一部分社会成员借助一定的媒体传播渠道向目标群体传播消息，以达到预期的传播效果的社会活动过程。信息传播是传播学领域的热门主题，有助于消除个体与个体之间、群体与群体之间的信息不对称，不仅能正向促进社会的公平和效率，还会反向遏制谣言或假新闻等负面信息的不良影响。
通常情况下，我们所说的“信息”包括两种不同的类型：其一是普遍性的信息，其二是特定领域的信息。对于普遍性的信息而言，由于跟个体具有普遍相关性，更容易在不同的社群间传播，传播来源于个体相关性的内置动力。比如，对于SARS或新冠病毒这种关涉到每个人的事件中，病毒防控相关的信息就是普遍性的。对于特定领域的信息而言，跨社群的传播并不是那么容易，一方面是个体对这类信息获取的内在动力相对较弱，另一方面缺乏信息存活的基本环境，即周围节点未有接收或传播此类信息。这类信息传播的壁垒塑造或者强化了特定的社群，当代社会的“信息茧房”现象就是其相应的结果。
现有传播方法多是针对个体的兴趣和特点进行定向推荐，虽然适当考虑了多样性，但总体仍然以用户的实际点击率为评价指标，这符合新闻媒体对扩大影响力的需求。而以知识、创新、口碑等为代表的正向信息的传播带有公益色彩，其传播目标不仅仅在于扩大影响力，还包括覆盖尽可能多的群体，消除不同社会圈层之间的信息屏障以及信息垄断，促进社会公平和效率。因此，需要提升现有算法的局限，借助网络社群分析来针对性地改进现有传播方法，促进信息的跨社群传播。
传统的影响力最大化(Influence Maximization，IM)问题被构造为子集选择问题，是NP难问题的一种。跨社群传播的影响力最大化问题属于IM问题的范畴，因此仍然是NP难。这类问题很难在线性时间内找到最优解。而以群体智能为代表的元启发式方法方法十分适合求解NP难问题，能够借助近似搜索策略在可接受的时间范围内找到较优的可行解，因此是适合的方法。然而，大规模社交网络的环境下的优化问题存在“维度灾难”的问题，即随着网络规模呈线性增长，问题的复杂度呈指数增长。现有群体智能方法在求解大规模复杂社交网络环境下的影响力最大化问题时存在效率不足的问题，需要结合分治策略来提升算法的效率和大规模优化的有效性。即传统群体智能方法擅长求解复杂NP难问题，能在可接受的时间范围内给出相对较好的可行解，且一定程度上与问题解耦合。然而由于群体智能方法依赖基于种群的更新模式，虽然能同时产生多个解，但是在面临大规模优化问题时存在效率不足的问题。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供基于群体智能的信息跨社群传播最大化方法及系统。
本发明的第一目的在于提供基于群体智能的信息跨社群传播最大化方法；
本发明的第二目的在于提供基于群体智能的信息跨社群传播最大化系统。
本发明的目的通过以下的技术方案实现：
基于群体智能的信息跨社群传播最大化方法，其特征在于，包括以下步骤：
对信息进行分析，获取待传播信息；
构建信息传播模型，对所述信息传播模型设定至少两个网络节点；
将所述信息传播模型中社交网络进行划分，形成至少两个不同社群；
根据所述网络节点的激活状态将所述待传播信息在所述不同社群进行传播，形成各自社群信息；
通过优化器对所述社群信息进行更新，根据更新后的社群信息完成信息传播。
进一步地，所述对信息进行分析，获取待传播信息，具体为：通过信息分析系统对通信网络上的通信信息进行筛查，获取待传播信息。
进一步地，所述构建信息传播模型，具体为：设定信息传播模型为具有N个网络节点的社交网络，该社交网络中的网络节点状态包含激活状态和未激活状态，设定初始时存在一个激活状态的种子网络节点集合，剩余网络节点为未激活状态；激活状态的网络节点为当前有影响力的激活节点，所述有影响力的激活节点对未激活状态的网络节点进行激活，该有影响力的激活节点转化为无影响力的激活节点；待传播信息在激活状态的网络节点向未激活状态的网络节点扩散。
进一步地，所述激活过程具体如下：
设定初始时存在一个激活状态的种子网络节点集合A0，在t时刻，所有被成功激活的网络节点集合表示为At；
设定在t时刻被激活的网络节点集合记作st，网络节点集合st是网络节点集合At的子集，网络节点集合st的所有网络节点为当前有影响力的激活节点，待传播信息从网络节点集合st中的激活网络节点u开始向其未激活的邻居网络节点v扩散，并在t+1时刻以概率p(u,v)尝试激活邻居网络节点v一次，多个激活动作相互独立；在t+1时刻，网络节点集合st中的激活网络节点u有且仅有这一次激活其所有邻居网络节点的机会，过了t+1时刻便不能再对邻居施加影响，转化为无影响力的激活节点；
t+1时刻结束后，如果网络节点v没有被网络节点集合st中任何一个网络节点成功激活，则保持未激活状态；反之，只要被网络节点集合st中任何一个节点激活，则网络节点v转为激活状态，存入激活网络节点集合st+1中；
重复上述激活过程，直到网络中不存在有影响力的激活节点，即网络节点集合st为空集。
进一步地，所述将所述信息传播模型中社交网络进行划分，形成至少两个不同社群，具体为：通过社群检测算法对网络进行社群划分，得到多个社群，每个社群可抽取出来构成一个独立的子网络。
进一步地，所述根据网络节点的激活状态将待传播信息在不同社群进行传播，具体如下：
设网络中的每个网络节点v都能在策略χ下以概率hv(χ)被其邻居独立激活，策略χ主要用于种子网络节点的选择；种子网络节点选择后会进行信息传播，最终得到的预期激活节点数表示为f(χ)，激活节点所处社群的多样性函数表示为g(χ)；令h(·)表示约束函数，Cost表示约束条件；待传播信息的跨社群传播最大化问题表示为：
max f(χ),g(χ)
subjectto h(χ)＜Cost
经过多目标合并技术可将该多目标优化问题转化为对应的单目标优化问题，以线性加权方法为例，转化后的问题为：
max λ1f(χ)+λ2g(χ)
subject to h(χ)＜Cost
其中λ1和λ2分别表示目标f(χ)和g(χ)的权重，其取值根据不同的问题情景进行调整。
进一步地，还包括，初始化参数和种群；需要初始化的参数包括：网络社群划分个数NC、约束条件C、种群规模NP、解的维度D；随机生成候选种群，借助修复函数使得候选种群提供的解合法化，得到合法解构成的第一代种群；所述合法解的标准为：解的总成本不超出给定的预算约束；
初始化个体最优和全局最优；将个体的第一代合法解赋值给个体的历史最优解Pbestk，将第一代合法解中的适应度值最好的解赋值给整个种群的全局最优解Gbest，即可完成初始化。
进一步地，所述通过优化器对所述社群信息进行更新，根据更新后的社群信息完成信息传播，具体为：
根据社群划分情况，将解的维度空间拆分，同时将全局种群拆分为多个子种群，每个子种群解决对应的子问题；
进行演化迭代，初始化问题参数和种群速度和位置后，额外设置了一个控制变量参数Flag，初始化为1；当Flag＝0时全局种群演化，当Flag＝1时子种群演化；当全局最优Gbest陷入停滞、不再更新时，更新Flag的取值，即切换全局种群更新和子种群更新；
全局种群更新得到全局解，即跨社群传播最大化问题的解；局部种群更新得到局部解，需要把多个局部解合成为全局解后才能求解问题，所述局部解为单目标优化问题的解；
全局种群更新、子种群更新均采用相同的更新规则，如下：
对于种群或子种群中的第k个个体，随机从全局最优解Gbest和其局部最优解Pbestk选择n个元素,并将二者的元素索引分别存入向量和/>
其中Sampling(Gbest,n)表示抽样函数，n表示Gbest和Xk的欧氏距离的向下取整,表示为Gbest为全局最优解，Pbestk为局部最优解，/>和/>分别为不同向量，Xk为位置向量；
接着，将Pbestk和Gbest种对应于和/>的位置进行取反变异，则得到二者的变异粒子/>和XG＝[xg(r,c)]，借助这两个变异算子，可进一步更新位置向量具体更新规则如下：
其中random(0,1)可生成一个处于0和1之间的随机数；表示第k个粒子的历史最优解，Gbest＝[gbest(r,c)]表示整个种群的全局最优解，即可完成初始化；XG＝[xg(r,c)]和XP＝[xp(r,c)]分别表示和Gbest和Pbestk的变异粒子.
进一步地，所述演化迭代的结束条件为达到最大迭代次数，或Gbest停滞更新超过M次，这里M为10。
本发明的第二目的通过以下技术方案实现：
基于群体智能的信息跨社群传播最大化系统，包括：
通信信息分析模块，用于对信息进行分析，获取待传播信息；
信息传播模型构建模块，用于构建信息传播模型，所述信息传播模型设定至少两个网络节点；
社交网络划分模块，用于将信息传播模型中社交网络进行划分，形成至少两个不同社群；
信息传播模块，用于根据网络节点的激活状态将待传播信息在不同社群进行传播；
优化更新模块，用于通过优化器对社群信息进行更新，根据更新后的社群信息完成信息传播；
结果输出模块，用于输出信息传播结果。
本发明的技术原理如下：
(1)明确问题定义。问题的决策变量是一个节点集构成的向量，约束条件是有限的预算，优化目标函数是信息覆盖的节点数和节点所在社群多样性的线性加权函数。
(2)问题分解。问题的环境是社交网络，社交网络通常具有明显的社群结构。借助社群检测算法对网络进行社群划分，得到多个社群，每个社群可抽取出来构成一个独立的子网络。对应地，整个问题被分解为多个子问题，对应的目标函数和约束条件均进行了分解。根据子网络与整个网络的节点比，将总约束C分解为NC部分，即可得到各个子问题的成本约束。
(3)初始化参数和种群。需要初始化的参数包括：网络社群划分个数NC、约束条件C、种群规模NP、解的维度D。随机生成候选种群。借助修复函数使得候选种群提供的解合法化，得到合法解构成的第一代种群。合法解的标准是“解的总成本不超出给定的预算约束”。
(4)初始化个体最优和全局最优。将个体的第一代合法解赋值给个体的历史最优解Pbestk，将第一代合法解中的适应度值最好的解赋值给整个种群的全局最优解Gbest，即可完成初始化。
(5)维度分解。借助(2)中社群划分结果，将解的维度空间拆分，同时将全局种群拆分为多个子种群，每个子种群解决对应的子问题。
(6)更新种群/子种群的速度和位置。选择一个基本的优化器，根据该优化器的更新规则对种群或子种群的速度和位置进行更新。全局种群的更新和子种群的更新轮替进行，初始时默认为子种群更新。种群中的每个个体位置对应一个问题的解。
(7)通过解的修复机制得到合法解。解的修复机制指针对不合格解，通过反复删除一些节点来减少成本(即将向量中节点对应的变量位置的值从1更改为0)，直到满足约束条件为止。为了加快修复过程，我们设置每个修复步骤随机删除2个节点。
(8)更新种群的全局最优。全局种群的解直接就是问题的解，子种群给出的解需要经过合并才是问题的解。计算当前代的种群/子种群给出的所有解，选出最优解，和旧的全局最优Gbest进行比较，如果前者优于后者则更新Gbest。
(9)轮替条件判断。如果Gbest更新，则进行种群更新和子种群更新的轮替，否则保持当前的迭代模式不变。
如果达到结束条件，则结束优化程序，输出最终的Gbest，否则回到步骤(5)。
本发明与现有技术相比，具有如下优点和有益效果：
本发明要解决的问题正是发生在大规模社交网络环境下的传播优化问题，亟需改进现有算法以适应问题特征。因此，本发明引入了社群划分算法对网络进行划分，从而将问题分解为多个子问题。随后借助全局种群和子种群轮替演化的方式进行解的更新，保证搜索多样性、避免陷入早熟的同时，提高搜索效率，更高效地解决大规模社交网络环境下的信息跨社群传播最大化问题。
附图说明
图1是本发明所述基于群体智能的信息跨社群传播最大化方法的流程图；
图2是本发明所述实施例1中信息传播模型示意图；
图3是本发明所述实施例1中网络社群划分与解的维度分解示意图；
图4是本发明所述实施例1中演化分治算法流程图；
图5是本发明所述基于群体智能的信息跨社群传播最大化系统结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
基于群体智能的信息跨社群传播最大化方法，如图1所示，包括以下步骤：
对信息进行分析，获取待传播信息；所述对信息进行分析，获取待传播信息，具体为：通过信息分析系统对通信网络上的通信信息进行筛查，获取待传播信息。
构建信息传播模型，所述信息传播模型设定网络节点；所述构建信息传播模型，具体为：设定信息传播模型为具有N个网络节点的社交网络，该社交网络中的网络节点状态包含激活状态和未激活状态，设定初始时存在一个激活状态的种子网络节点集合，剩余网络节点为未激活状态；激活状态的网络节点为当前有影响力的激活节点，所述有影响力的激活节点对未激活状态的网络节点进行激活，该有影响力的激活节点转化为无影响力的激活节点；待传播信息在激活状态的网络节点向未激活状态的网络节点扩散。
信息传播模型基于独立级联(Independent Cascade,IC)模型构建。每个被成功激活的邻居节点都会以一定的概率继续激活它们的邻居，从而推动信息在网络中的扩散和流动。具体传播过程介绍如下：
激活过程具体如下：
用GN表示一个具有N个节点的社交网络，网络中的每个节点均处于两个状态中的一个：未激活状态(Unactivated)、激活状态(Activated)，设定初始时存在一个激活状态的种子网络节点集合A0，用“黑色圆”表示，除种子节点外的网络中的其他节点都处于未激活状态，用“空心圆”表示；在t时刻，所有被成功激活的网络节点集合表示为At，其中的非种子网络节点统一用“条纹圆”表示；
设定在t时刻被激活的网络节点集合记作st，网络节点集合st是网络节点集合At的子集，网络节点集合st的所有网络节点为当前有影响力的激活节点，待传播信息从网络节点集合st中的激活网络节点u开始向其未激活的邻居网络节点v扩散，并在t+1时刻以概率p(u,v)尝试激活邻居网络节点v一次，多个激活动作相互独立；在t+1时刻，网络节点集合st中的激活网络节点u有且仅有这一次激活其所有邻居网络节点的机会，过了t+1时刻便不能再对邻居施加影响，转化为无影响力的激活节点；
t+1时刻结束后，如果网络节点v没有被网络节点集合st中任何一个网络节点成功激活，则保持未激活状态；反之，只要被网络节点集合st中任何一个节点激活，则网络节点v转为激活状态，存入激活网络节点集合st+1中；图2中，成功激活的边表示为“实线”，未成功激活的边表示为“虚线”，边上的数字表示激活概率。如果两个节点不存在连边，则没有激活关系和激活概率。
重复上述激活过程，直到网络中不存在有影响力的激活节点，即网络节点集合st为空集。
将信息传播模型中社交网络进行划分，形成不同社群；具体为：通过社群检测算法对网络进行社群划分，得到多个社群，每个社群可抽取出来构成一个独立的子网络。
根据网络节点的激活状态将待传播信息在不同社群进行传播；具体如下：
信息跨社群传播最大化问题是一个建立在影响力最大化问题基础上的多目标优化问题，其优化目标主要为：种子节点的预期激活节点数最大化、激活节点所处社群分布的多样性最大化；
设网络中的每个网络节点v都可以在策略χ下以概率hv(χ)被其邻居独立激活，策略χ主要用于种子网络节点的选择；种子网络节点选择后会进行信息的传播，最终得到的预期激活节点数表示为f(χ)，激活节点所处社群的多样性函数表示为g(χ)；令h(·)表示约束函数，Cost表示约束条件；待传播信息的跨社群传播最大化问题表示为：
max f(χ),g(χ)
subjectto h(χ)＜Cost
经过多目标合并技术可将该多目标优化问题转化为对应的单目标优化问题，以线性加权方法为例，转化后的问题为：
maxλ1f(χ)+λ2g(χ)
subject to h(χ)＜Cost
其中λ1和λ2分别表示目标f(χ)和g(χ)的权重，其取值根据不同的问题情景进行调整。
由于影响力最大化问题是NP难问题，而该问题是影响力最大化问题的子集，因此也是NP难的。群体智能方法已经被广泛应用于求解包括旅行商问题、多重背包问题、子集选择问题等在内的各种NP难题，因此也适合求解该问题。
网络社群划分与解的维度分解
网络社群划分与解的维度分解示意图见图3。
首先通过Louvain社群划分算法将社交网络分解为NC个社群。由于解的每一个维度对应一个节点的选择，因此根据社交网络与社群之间的映射，可以将全局种群分解为NC个子种群。同样地，在合理的成本分配的前提下(例如根据子网节点与网络总节点之间的比率，将总约束成本Cost分解为NC个部分，即可得到子网的资源成本约束值)，面向整个社交网络的全局优化问题可以分解为面向社群的局部优化问题。全局解用来求解全局优化问题，子种群提供的局部解用来解决一个个独立的子问题。由于网络中的优化问题具有很好的局部性，这种分解是可行的。
演化分治算法示意图见图4。细节介绍如下：
初始化参数和种群；需要初始化的参数包括：网络社群划分个数NC、约束条件C、种群规模NP、解的维度D；随机生成候选种群，借助修复函数使得候选种群提供的解合法化，得到合法解构成的第一代种群；所述合法解的标准为：解的总成本不超出给定的预算约束；
初始化个体最优和全局最优；将个体的第一代合法解赋值给个体的历史最优解Pbest(g,r)，将第一代合法解中的适应度值最好的解赋值给整个种群的全局最优解Gbest，即可完成初始化。
通过优化器对社群信息进行更新，根据更新后的社群信息完成信息传播。
具体为：
根据社群划分情况，将解的维度空间拆分，同时将全局种群拆分为多个子种群，每个子种群解决对应的子问题；
进行演化迭代，初始化问题参数和种群速度和位置后，额外设置了一个控制变量参数Flag，初始化为1；当Flag＝0时全局种群演化，当Flag＝1时子种群演化；当全局最优Gbest陷入停滞、不再更新时，更新Flag的取值，即切换全局种群更新和子种群更新；
全局种群更新得到全局解，即跨社群传播最大化问题的解；局部种群更新得到局部解，需要把多个局部解合成为全局解后才能求解问题，所述局部解为单目标优化问题的解；
全局种群更新、子种群更新均采用相同的更新规则，如下：
对于种群或子种群中的第k个个体，随机从全局最优解Gbest和其局部最优解Pbestk选择n个元素,并将二者的元素索引分别存入向量和/>
其中Sampling(Gbest,n)表示抽样函数,n表示Gbest和Xk的欧氏距离的向下取整,表示为Gbest为全局最优解，Pbestk为局部最优解，/>和/>分别为不同向量，Xk为位置向量；
接着，将Pbestk和Gbest种对应于和/>的位置进行取反变异，则得到二者的变异粒子/>和XG＝[xg(r,c)]，借助这两个变异算子，可进一步更新位置向量具体更新规则如下：
其中random(0,1)可生成一个处于0和1之间的随机数，表示第k个粒子的历史最优解，Gbest＝[gbest(r,c)]表示整个种群的全局最优解，即可完成初始化。XG＝[xg(r,c)]和XP＝[xp(r,c)]分别表示和Gbest和Pbestk的变异粒子。
进一步地，所述演化迭代的结束条件为达到最大迭代次数，或Gbest停滞更新超过一定次数，例如10次。
实施例2
基于群体智能的信息跨社群传播最大化系统，如图5所示，包括：
通信信息分析模块，用于对信息进行分析，获取待传播信息；
信息传播模型构建模块，用于构建信息传播模型，所述信息传播模型设定至少两个网络节点；
社交网络划分模块，用于将信息传播模型中社交网络进行划分，形成至少两个不同社群；
信息传播模块，用于根据网络节点的激活状态将待传播信息在不同社群进行传播；
优化更新模块，用于通过优化器对社群信息进行更新，根据更新后的社群信息完成信息传播；
结果输出模块，用于输出信息传播结果。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (8)
1.基于群体智能的信息跨社群传播最大化方法，其特征在于，包括以下步骤：
对信息进行分析，获取待传播信息；
构建信息传播模型，对所述信息传播模型设定至少两个网络节点；
所述构建信息传播模型，具体为：设定信息传播模型为具有N个网络节点的社交网络，该社交网络中的网络节点状态包含激活状态和未激活状态，设定初始时存在一个激活状态的种子网络节点集合，剩余网络节点为未激活状态；激活状态的网络节点为当前有影响力的激活节点，所述有影响力的激活节点对未激活状态的网络节点进行激活，该有影响力的激活节点转化为无影响力的激活节点；待传播信息在激活状态的网络节点向未激活状态的网络节点扩散；
将所述信息传播模型中社交网络进行划分，形成至少两个不同社群；
根据所述网络节点的激活状态将所述待传播信息在所述不同社群进行传播，形成各自社群信息；
通过优化器对所述社群信息进行更新，根据更新后的社群信息完成信息传播；
所述通过优化器对所述社群信息进行更新，根据更新后的社群信息完成信息传播，具体为：
根据社群划分情况，将解的维度空间拆分，同时将全局种群拆分为多个子种群，每个子种群解决对应的子问题；
进行演化迭代，初始化问题参数和种群速度和位置后，额外设置了一个控制变量参数Flag，初始化为1；当Flag＝0时全局种群演化，当Flag＝1时子种群演化；当全局最优Gbest陷入停滞、不再更新时，更新Flag的取值，即切换全局种群更新和子种群更新；
全局种群更新得到全局解，即跨社群传播最大化问题的解；局部种群更新得到局部解，需要把多个局部解合成为全局解后才能求解问题，所述局部解为单目标优化问题的解；
全局种群更新、子种群更新均采用相同的更新规则，如下：
对于种群或子种群中的第k个个体，随机从全局最优解Gbest和其局部最优解Pbestk选择n个元素,并将二者的元素索引分别存入向量和/>
其中Sampling(Gbest,n)表示抽样函数，n表示Gbest和Xk的欧氏距离的向下取整,表示为Gbest为全局最优解，Pbestk为局部最优解，/>和/>分别为不同向量，Xk为位置向量；
接着，将Pbestk和Gbest种对应于和/>的位置进行取反变异，则得到二者的变异粒子/>和XG＝[xg(r,c)]，借助这两个变异算子，可进一步更新位置向量具体更新规则如下：
其中random(0,1)可生成一个处于0和1之间的随机数；表示第k个粒子的历史最优解，Gbest＝[gbest(r,c)]表示整个种群的全局最优解，即可完成初始化；XG＝[xg(r,c)]和XP＝[xp(r,c)]分别表示和Gbest和Pbestk的变异粒子。
2.根据权利要求1所述的基于群体智能的信息跨社群传播最大化方法，其特征在于，所述对信息进行分析，获取待传播信息，具体为：通过信息分析系统对通信网络上的通信信息进行筛查，获取待传播信息。
3.根据权利要求1所述的基于群体智能的信息跨社群传播最大化方法，其特征在于，所述激活的过程具体如下：
设定初始时存在一个激活状态的种子网络节点集合A0，在t时刻，所有被成功激活的网络节点集合表示为At；
设定在t时刻被激活的网络节点集合记作st，网络节点集合st是网络节点集合At的子集，网络节点集合st的所有网络节点为当前有影响力的激活节点，待传播信息从网络节点集合st中的激活网络节点u开始向其未激活的邻居网络节点v扩散，并在t+1时刻以概率p(u,v)尝试激活邻居网络节点v一次，多个激活动作相互独立；在t+1时刻，网络节点集合st中的激活网络节点u有且仅有这一次激活其所有邻居网络节点的机会，过了t+1时刻便不能再对邻居施加影响，转化为无影响力的激活节点；
t+1时刻结束后，如果网络节点v没有被网络节点集合st中任何一个网络节点成功激活，则保持未激活状态；反之，只要被网络节点集合st中任何一个节点激活，则网络节点v转为激活状态，存入激活网络节点集合st+1中；
重复上述激活过程，直到网络中不存在有影响力的激活节点，即网络节点集合st为空集。
4.根据权利要求3所述的基于群体智能的信息跨社群传播最大化方法，其特征在于，所述将所述信息传播模型中社交网络进行划分，形成至少两个不同社群，具体为：通过社群检测算法对网络进行社群划分，得到多个社群，每个社群可抽取出来构成一个独立的子网络。
5.根据权利要求4所述的基于群体智能的信息跨社群传播最大化方法，其特征在于，所述根据所述网络节点的激活状态将待传播信息在不同社群进行传播，具体如下：
设网络中的每个网络节点v都能在策略χ下以概率hv(χ)被其邻居独立激活，策略χ主要用于种子网络节点的选择；种子网络节点选择后会进行信息传播，最终得到的预期激活节点数表示为f(χ)，激活节点所处社群的多样性函数表示为g(χ)；令h(·)表示约束函数，Cost表示约束条件；待传播信息的跨社群传播最大化问题表示为：
max f(χ),g(χ)
subjectto h(χ)＜Cost
经过多目标合并技术可将多目标优化问题转化为对应的单目标优化问题，以线性加权方法为例，转化后的问题为：
maxλ1f(χ)+λ2g(χ)
subject to h(χ)＜Cost
其中λ1和λ2分别表示目标f(χ)和g(χ)的权重，其取值根据不同的问题情景进行调整。
6.根据权利要求5所述的基于群体智能的信息跨社群传播最大化方法，其特征在于，还包括，初始化参数和种群；需要初始化的参数包括：网络社群划分个数NC、约束条件C、种群规模NP、解的维度D；随机生成候选种群，借助修复函数使得候选种群提供的解合法化，得到合法解构成的第一代种群；所述合法解的标准为：解的总成本不超出给定的预算约束；
初始化个体最优和全局最优；将个体的第一代合法解赋值给个体的历史最优解Pbestk，将第一代合法解中的适应度值最好的解赋值给整个种群的全局最优解Gbest，即可完成初始化。
7.根据权利要求1所述的基于群体智能的信息跨社群传播最大化方法，其特征在于，所述演化迭代的结束条件为达到最大迭代次数，或Gbest停滞更新超过M次，这里M为10。
8.基于群体智能的信息跨社群传播最大化系统，其特征在于，包括：
通信信息分析模块，用于对信息进行分析，获取待传播信息；
信息传播模型构建模块，用于构建信息传播模型，所述信息传播模型设定至少两个网络节点；
所述构建信息传播模型，具体为：设定信息传播模型为具有N个网络节点的社交网络，该社交网络中的网络节点状态包含激活状态和未激活状态，设定初始时存在一个激活状态的种子网络节点集合，剩余网络节点为未激活状态；激活状态的网络节点为当前有影响力的激活节点，所述有影响力的激活节点对未激活状态的网络节点进行激活，该有影响力的激活节点转化为无影响力的激活节点；待传播信息在激活状态的网络节点向未激活状态的网络节点扩散；
社交网络划分模块，用于将信息传播模型中社交网络进行划分，形成至少两个不同社群；
信息传播模块，用于根据网络节点的激活状态将待传播信息在不同社群进行传播；
优化更新模块，用于通过优化器对社群信息进行更新，根据更新后的社群信息完成信息传播；
所述通过优化器对所述社群信息进行更新，根据更新后的社群信息完成信息传播，具体为：
根据社群划分情况，将解的维度空间拆分，同时将全局种群拆分为多个子种群，每个子种群解决对应的子问题；
进行演化迭代，初始化问题参数和种群速度和位置后，额外设置了一个控制变量参数Flag，初始化为1；当Flag＝0时全局种群演化，当Flag＝1时子种群演化；当全局最优Gbest陷入停滞、不再更新时，更新Flag的取值，即切换全局种群更新和子种群更新；
全局种群更新得到全局解，即跨社群传播最大化问题的解；局部种群更新得到局部解，需要把多个局部解合成为全局解后才能求解问题，所述局部解为单目标优化问题的解；
全局种群更新、子种群更新均采用相同的更新规则，如下：
对于种群或子种群中的第k个个体，随机从全局最优解Gbest和其局部最优解Pbestk选择n个元素,并将二者的元素索引分别存入向量和/>
其中Sampling(Gbest,n)表示抽样函数，n表示Gbest和Xk的欧氏距离的向下取整,表示为Gbest为全局最优解，Pbestk为局部最优解，/>和/>分别为不同向量，Xk为位置向量；
接着，将Pbestk和Gbest种对应于和/>的位置进行取反变异，则得到二者的变异粒子/>和XG＝[xg(r,c)]，借助这两个变异算子，可进一步更新位置向量具体更新规则如下：
其中random(0,1)可生成一个处于0和1之间的随机数；表示第k个粒子的历史最优解，Gbest＝[gbest(r,c)]表示整个种群的全局最优解，即可完成初始化；XG＝[xg(r,c)]和XP＝[xp(r,c)]分别表示和Gbest和Pbestk的变异粒子；
结果输出模块，用于输出信息传播结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210158610.9A CN114640643B (zh) | 2022-02-21 | 2022-02-21 | 基于群体智能的信息跨社群传播最大化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210158610.9A CN114640643B (zh) | 2022-02-21 | 2022-02-21 | 基于群体智能的信息跨社群传播最大化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114640643A CN114640643A (zh) | 2022-06-17 |
| CN114640643B true CN114640643B (zh) | 2023-11-21 |
Family
ID=81945890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210158610.9A Active CN114640643B (zh) | 2022-02-21 | 2022-02-21 | 基于群体智能的信息跨社群传播最大化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114640643B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115659007B (zh) * | 2022-09-21 | 2023-11-14 | 浙江大学 | 一种基于多样性的动态影响力传播种子最小化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127590A (zh) * | 2016-06-21 | 2016-11-16 | 重庆邮电大学 | 一种基于节点影响力的信息态势感知及传播管控模型 |
| CN107392365A (zh) * | 2017-07-11 | 2017-11-24 | 扬州大学 | 基于传播路径分析的独立级联模型的影响力最大化方法 |
| CN109300056A (zh) * | 2018-08-16 | 2019-02-01 | 西安邮电大学 | 一种基于sirs的情感网络传播动力模型及利用该模型的情感传播模拟方法 |
| CN112364468A (zh) * | 2020-11-04 | 2021-02-12 | 昆明理工大学 | 一种基于agent社会圈子网络的腐败传播模型建模仿真方法 |
| CN112990987A (zh) * | 2021-05-11 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 信息推广方法、装置、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10115167B2 (en) * | 2013-12-17 | 2018-10-30 | Palo Alto Research Center Incorporated | System and method for identifying key targets in a social network by heuristically approximating influence |
| US20180349961A1 (en) * | 2017-06-01 | 2018-12-06 | Adobe Systems Incorporated | Influence Maximization Determination in a Social Network System |
-
2022
- 2022-02-21 CN CN202210158610.9A patent/CN114640643B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127590A (zh) * | 2016-06-21 | 2016-11-16 | 重庆邮电大学 | 一种基于节点影响力的信息态势感知及传播管控模型 |
| CN107392365A (zh) * | 2017-07-11 | 2017-11-24 | 扬州大学 | 基于传播路径分析的独立级联模型的影响力最大化方法 |
| CN109300056A (zh) * | 2018-08-16 | 2019-02-01 | 西安邮电大学 | 一种基于sirs的情感网络传播动力模型及利用该模型的情感传播模拟方法 |
| CN112364468A (zh) * | 2020-11-04 | 2021-02-12 | 昆明理工大学 | 一种基于agent社会圈子网络的腐败传播模型建模仿真方法 |
| CN112990987A (zh) * | 2021-05-11 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 信息推广方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114640643A (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kao et al. | A hybrid algorithm based on ACO and PSO for capacitated vehicle routing problems | |
| CN113225370B (zh) | 一种基于物联网的区块链多目标优化方法 | |
| CN112801540B (zh) | 基于无人集群的智能协同架构设计方法 | |
| CN114640643B (zh) | 基于群体智能的信息跨社群传播最大化方法及系统 | |
| Salman et al. | A metaheuristic algorithm to solve satellite broadcast scheduling problem | |
| CN110838072A (zh) | 一种基于社区发现的社交网络影响力最大化方法及系统 | |
| CN105792218A (zh) | 具有射频能量收集能力的认知无线电网络的优化方法 | |
| Du et al. | A genetic simulated annealing algorithm to optimize the small-world network generating process | |
| Gonzalez-Pardo et al. | A new CSP graph-based representation for ant colony optimization | |
| CN110610434A (zh) | 基于人工智能的社区发现方法 | |
| Michelakos et al. | A hybrid classification algorithm evaluated on medical data | |
| Shoaib et al. | Data aggregation for Vehicular Ad-hoc Network using particle swarm optimization | |
| CN112465301A (zh) | 一种基于差分隐私机制的边缘智能电网协作决策方法 | |
| Salini et al. | Spatial distribution of urban trips in recently expanded Surat city through Fuzzy Logic with various clustering Techniques: A case study of typical metropolitan city in India | |
| Ye et al. | Optimizing weight and threshold of BP neural network using SFLA: applications to nonlinear function fitting | |
| CN109410078A (zh) | 一种适用于面向文件共享的移动社交网络的信息传播预测方法 | |
| Mahseur et al. | Using bio-inspired approaches to improve the quality of service in a multicast routing | |
| Muslihudin et al. | Application of weighted product method for determining home renovation assistance in Pringsewu district | |
| Azizi et al. | Satellite broadcast scheduling based on a boosted binary differential evolution | |
| Hou et al. | Research on dynamic assignment of satellite communication tasks based on GA algorithm | |
| CN110610205A (zh) | 社交网络中的社区识别方法 | |
| Zhuang et al. | A virtual network embedding algorithm based on cellular automata genetic mechanism | |
| CN105959960B (zh) | 一种基于进化多目标优化匹配的频谱决策方法 | |
| Hu et al. | Nodes Grouping Genetic Algorithm for Influence Maximization in Multiplex Social Networks | |
| Dai et al. | Group-based competitive influence maximization |
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 |