TWI753674B - 基於時間之社群網路中傳播機率之計算方法及其系統 - Google Patents

基於時間之社群網路中傳播機率之計算方法及其系統 Download PDF

Info

Publication number
TWI753674B
TWI753674B TW109141645A TW109141645A TWI753674B TW I753674 B TWI753674 B TW I753674B TW 109141645 A TW109141645 A TW 109141645A TW 109141645 A TW109141645 A TW 109141645A TW I753674 B TWI753674 B TW I753674B
Authority
TW
Taiwan
Prior art keywords
time
probability
social network
propagation
nodes
Prior art date
Application number
TW109141645A
Other languages
English (en)
Other versions
TW202221534A (zh
Inventor
葉維彰
Original Assignee
國立清華大學
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 國立清華大學 filed Critical 國立清華大學
Priority to TW109141645A priority Critical patent/TWI753674B/zh
Priority to US17/232,114 priority patent/US11557006B2/en
Application granted granted Critical
Publication of TWI753674B publication Critical patent/TWI753674B/zh
Publication of TW202221534A publication Critical patent/TW202221534A/zh

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9027—Trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
    • H04L51/18—Commands or executable codes
    • 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
    • H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本發明揭露一種基於時間之社群網路中傳播機率之計算方法，包含路徑機率計算步驟、第一層二進位樹搜尋步驟、第二層二進位樹搜尋步驟及傳播機率計算步驟。路徑機率計算步驟依據網頁排名演算法自社群網路計算出時間路徑機率矩陣。第一層二進位樹搜尋步驟以多狀態二進位樹搜尋法列舉出傳播來源向量及基本延遲時間向量。第二層二進位樹搜尋步驟列舉出時間軸向量。傳播機率計算步驟依據時間路徑機率矩陣及時間軸向量計算社群網路之整體傳播機率。藉此，將時間列入計算傳播機率之條件，使整體傳播機率之計算結果更接近實際情況。

Description

基於時間之社群網路中傳播機率之計算方法及其系統
本發明是關於一種傳播機率之計算方法及其系統，特別是關於一種基於時間之社群網路中傳播機率之計算方法及其系統。
隨著科技的發展，社群網路在社會中漸趨普及，並成為傳遞訊息的主流媒介。習知的傳播機率計算方法所計算之傳播機率與實際數值具有一定的誤差，例如，社群網路中各個節點之間的傳播機率可能因學習效應而在不同時間時有所不同。
由此可知，目前市場上缺乏一種基於時間之社群網路中傳播機率之計算方法及其系統，故相關業者均在尋求其解決之道。
因此，本發明之目的在於提供一種基於時間之社群網路中傳播機率之計算方法及其系統，其先計算出社群網路中二節點之間的時間路徑機率矩陣，並列出所有可能的節點傳播順序，將時間列入計算傳播機率之條件，使整體傳播機率之計算結果更接近實際情況。
依據本發明的方法態樣之一實施方式提供一種基於時間之社群網路中傳播機率之計算方法，用以對社群網路中複數節點之起始傳播節點投放訊息，並計算社群網路於複數時間值之整體傳播機率。基於時間之社群網路中傳播機率之計算方法包含路徑機率計算步驟、第一層二進位樹搜尋步驟、第二層二進位樹搜尋步驟及傳播機率計算步驟。路徑機率計算步驟係依據網頁排名演算法(PageRank Algorithm)自社群網路計算出複數時間路徑機率矩陣。第一層二進位樹搜尋步驟係以多狀態二進位樹搜尋法列舉出社群網路之複數傳播來源向量及對應此些傳播來源向量之複數基本延遲時間向量。第二層二進位樹搜尋步驟係以多狀態二進位樹搜尋法列舉出各基本延遲時間向量之複數時間軸向量。傳播機率計算步驟係依據此些時間路徑機率矩陣及此些時間軸向量計算社群網路在此些時間值之整體傳播機率。時間路徑機率矩陣對應此些時間值，此些時間值彼此相異。
藉此，本發明之基於時間之社群網路中傳播機率之計算方法將時間列入計算傳播機率之條件，使整體傳播機率之計算結果更接近實際情況。
前述實施方式之其他實施例如下：前述社群網路包 含此些節點及複數路徑。此些節點包含起始傳播節點，各節點包含分支度。各路徑連接其中二節點。各節點之分支度為連接各節點之路徑之數量，社群網路為無尺度網路。
前述實施方式之其他實施例如下：前述路徑機率計算步驟包含相鄰節點統計步驟、排名值計算步驟及路徑機率生成步驟。相鄰節點統計步驟係統計連接此些節點之此些路徑並生成各節點之相鄰矩陣。排名值計算步驟係依據網頁排名演算法、分支度及阻尼因子計算出各節點之排名值。路徑機率生成步驟係依據各節點之排名值及各節點之相鄰節點集合生成此些時間路徑機率矩陣。各節點之相鄰節點集合由相鄰矩陣轉換而成。
前述實施方式之其他實施例如下：前述各傳播來源向量包含對應此些節點之此些相鄰節點集合。各基本延遲時間向量為對應各傳播來源向量之其中一時間值。其中各傳播來源向量、各基本延遲時間向量具有對應之狀態向量。
前述實施方式之其他實施例如下：前述整體傳播機率隨時間值增加而減少。
依據本發明的結構態樣之一實施方式提供一種基於時間之社群網路中傳播機率之計算系統，用以對社群網路中複數節點之起始傳播節點投放訊息，並計算社群網路於複數時間值之整體傳播機率。基於時間之社群網路中傳播機率之計算系統包含記憶體以及處理器。記憶體存取社群網路及多狀態二進位樹搜尋法。處理器電性連接記憶體， 並經配置以實施包含以下步驟之操作：路徑機率計算步驟、第一層二進位樹搜尋步驟、第二層二進位樹搜尋步驟及傳播機率計算步驟。路徑機率計算步驟係依據網頁排名演算法自社群網路計算出複數時間路徑機率矩陣。第一層二進位樹搜尋步驟係以多狀態二進位樹搜尋法列舉出社群網路之複數傳播來源向量及對應此些傳播來源向量之複數基本延遲時間向量。第二層二進位樹搜尋步驟係以多狀態二進位樹搜尋法列舉出各基本延遲時間向量之複數時間軸向量。傳播機率計算步驟係依據此些時間路徑機率矩陣及此些時間軸向量計算社群網路在此些時間值之整體傳播機率。此些時間路徑機率矩陣對應此些時間值，此些時間值彼此相異。
藉此，本發明之基於時間之社群網路中傳播機率之計算系統將時間列入計算傳播機率之條件，使整體傳播機率之計算結果更接近實際情況。
前述實施方式之其他實施例如下：前述社群網路包含此些節點及複數路徑。節點包含起始傳播節點，各節點包含分支度。各路徑連接其中二節點。其中各節點之分支度為連接各節點之路徑之數量，社群網路為無尺度網路。
前述實施方式之其他實施例如下：前述路徑機率計算步驟包含相鄰節點統計步驟、排名值計算步驟及路徑機率生成步驟。相鄰節點統計步驟，係統計連接此些節點之些路徑並生成各節點之相鄰矩陣。排名值計算步驟係依據網頁排名演算法、分支度及阻尼因子計算出各節點之排名值。路徑機率生成步驟係依據各節點之排名值及各節點之相鄰節點集合生成此些時間路徑機率矩陣。其中各節點之相鄰節點集合由相鄰矩陣轉換而成。
前述實施方式之其他實施例如下：前述各傳播來源向量包含對應此些節點之此些相鄰節點集合。各基本延遲時間向量為對應各傳播來源向量之其中一時間值。其中各傳播來源向量、各基本延遲時間向量具有對應之狀態向量。
前述實施方式之其他實施例如下：前述整體傳播機率隨時間值增加而減少。
以下將參照圖式說明本發明之複數個實施例。為明確說明起見，許多實務上的細節將在以下敘述中一併說明。然而，應瞭解到，這些實務上的細節不應用以限制本發明。也就是說，在本發明部分實施例中，這些實務上的細節是非必要的。此外，為簡化圖式起見，一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示之；並且重複之元件將可能使用相同的編號表示之。
此外，本文中當某一元件(或單元或模組等)「連接」於另一元件，可指所述元件是直接連接於另一元件，亦可指某一元件是間接連接於另一元件，意即，有其他元件介於所述元件及另一元件之間。而當有明示某一元件是「直接連接」於另一元件時，才表示沒有其他元件介於所述元件及另一元件之間。而第一、第二、第三等用語只是用來描述不同元件，而對元件本身並無限制，因此，第一元件亦可改稱為第二元件。且本文中之元件/單元/電路之組合非此領域中之一般周知、常規或習知之組合，不能以元件/單元/電路本身是否為習知，來判定其組合關係是否容易被技術領域中之通常知識者輕易完成。
請參照第1圖，第1圖係繪示本發明第一實施方式之基於時間之社群網路中傳播機率之計算方法100的流程示意圖。基於時間之社群網路中傳播機率之計算方法100用以對社群網路中複數節點之起始傳播節點投放訊息，並計算社群網路於複數時間值t之整體傳播機率。基於時 間之社群網路中傳播機率之計算方法100包含路徑機率計算步驟S11、第一層二進位樹搜尋步驟S12、第二層二進位樹搜尋步驟S13及傳播機率計算步驟S14。
路徑機率計算步驟S11，係依據網頁排名演算法(PageRank Algorithm)自社群網路計算出複數時間路徑機率矩陣。第一層二進位樹搜尋步驟S12係以多狀態二進位樹搜尋法列舉出社群網路之複數傳播來源向量及對應此些傳播來源向量之複數基本延遲時間向量。第二層二進位樹搜尋步驟S13係以多狀態二進位樹搜尋法列舉出各基本延遲時間向量之複數時間軸向量。傳播機率計算步驟S14係依據此些時間路徑機率矩陣及此些時間軸向量計算社群網路在此些時間值t之整體傳播機率。藉此，本發明之基於時間之社群網路中傳播機率之計算方法100透過多狀態二進位樹搜尋法將時間對傳播機率的影響列入計算傳播機率之條件，列舉所有可能的傳播路徑，使整體傳播機率之計算結果更接近實際情況。以下將透過較詳細的實施例來說明上述各步驟之細節。
請參照第2圖，第2圖係繪示本發明第二實施方式之基於時間之社群網路10的示意圖。社群網路10包含節點0、1、2、3、4、5、6、7及複數路徑。節點0~7包含起始傳播節點，各節點i(i=0~7)包含分支度(Degree；Deg)。各路徑連接其中二節點i。各節點i之分支度Deg(i)為連接各節點i之路徑之數量。社群網路10為一無尺度網路(scale-free network)。
請參照第2圖、第3圖及第4圖。其中第3圖係繪示第2圖之基於時間之社群網路中傳播機率之計算方法200的流程示意圖。第4圖係繪示第3圖之基於時間之社群網路中傳播機率之計算方法200之路徑機率計算步驟S21的流程示意圖。基於時間之社群網路中傳播機率之計算方法200包含路徑機率計算步驟S21、第一層二進位樹搜尋步驟S22、第二層二進位樹搜尋步驟S23及傳播機率計算步驟S24。
路徑機率計算步驟S21係依據網頁排名演算法260(PageRank Algorithm)自社群網路10計算出複數時間路徑機率矩陣270。路徑機率計算步驟S21包含相鄰節點統計步驟S211、排名值計算步驟S212及路徑機率生成步驟S213。
請配合參照表1，相鄰節點統計步驟S211係統計連接此些節點i之路徑，並生成各節點i之相鄰矩陣250。詳細地說，相鄰節點統計步驟S211以相鄰矩陣250表示社群網路10中各節點i之間的連接關係，相鄰矩陣250可如表1所示。“1”表示二節點i之間透過路徑連接；“-”表示二節點i之間不相連。Deg(i)為各節點i之分支度。 表1
i 0 1 2 3 4 5 6 7
0 - - - - - 1 - 1
1 - - - - - 1 1 1
2 - - - - - 1 1 -
3 - - - - - 1 1 1
4 - - - - - 1 1 1
5 1 1 1 1 1 - 1 -
6 - 1 1 1 1 1 - 1
7 1 1 - 1 1 - 1 -
Deg(i) 2 3 2 3 3 6 6 5
請配合參照表2及表3，排名值計算步驟S212係依據網頁排名演算法260及阻尼因子d計算出各節點i之排名值PR(i)，並將各節點i之排名值PR(i)存入排名矩陣PR，具體而言，網頁排名演算法260符合下式(1)：
Figure 02_image001
(1)； 其中M為相鄰矩陣250之標準化矩陣，如表2所示；d為介於0到1之間的阻尼因子；N node為節點i的數量；I為單位矩陣。社群網路10之各節點i之分支度Deg(i)、相鄰節點集合V(i)及排名值PR(i)可如表3所示。各節點i之相鄰節點集合V(i)由相鄰矩陣250轉換而成，相鄰節點集合V(i)表示與節點i透過路徑相連的其他節點i，由表3可知，V(0)={5,7}，節點5及節點7透過路徑與節點0相連；當節點i的分支度Deg(i)愈大，其排名值PR(i)愈大。
Figure 109141645-A0305-02-0011-1
Figure 109141645-A0305-02-0012-1
Figure 109141645-A0305-02-0012-2
路徑機率生成步驟S213係依據各節點i之排名值PR(i)及各節點i之相鄰節點集合V(i)生成時間路徑機率矩陣270。時間路徑機率矩陣270對應複數時間值t，此些時間值t彼此相異。時間路徑機率之計算方法如式(2)、式(3)及式(4)所示：
Figure 109141645-A0305-02-0012-3
Figure 109141645-A0305-02-0012-4
Figure 109141645-A0305-02-0012-5
其中式(2)用以計算時間值t=0時之傳播機率，
Figure 02_image009
為連接節點i及節點j之路徑的傳播機率；
Figure 02_image011
為節點i之相鄰節點集合V(i)之所有節點之排名值PR之總和。式(3)用以計算節點0與節點5之路徑之傳播機率(即
Figure 02_image013
)。式(4)用以計算時間值t>0時之路徑之傳播機率(即
Figure 02_image015
)。
Figure 02_image017
為學習率，學習率
Figure 02_image017
預設為0.35。詳細地說，路徑機率生成步驟S213計算於時間值t時之所有路徑之傳播機率，並生成對應時不同時間值t之複數個時間路徑機率矩陣270。時間值t=0之時間路徑機率矩陣270可如表4所示；時間值t=1之時間路徑機率矩陣270可如表5所示；時間值t=2之時間路徑機率矩陣270可如表6所示。 表4
i 0 1 2 3 4 5 6 7
0 - - - - - 0.51 - 0.49
1 - - - - - 0.34 0.33 0.32
2 - - - - - 0.50 0.49 -
3 - - - - - 0.34 0.33 0.32
4 - - - - - 0.34 0.33 0.32
5 0.16 0.16 0.16 0.16 0.16 - 0.18 -
6 - 0.16 0.15 0.16 0.16 0.18 - 0.17
7 0.19 0.19 - 0.19 0.19 - 0.22 -
表5
i 0 1 2 3 4 5 6 7
0 - - - - - 0.40 - 0.38
1 - - - - - 0.26 0.26 0.25
2 - - - - - 0.39 0.38 -
3 - - - - - 0.26 0.26 0.25
4 - - - - - 0.26 0.26 0.25
5 0.12 0.12 0.12 0.12 0.12 - 0.14 -
6 - 0.12 0.12 0.12 0.12 0.14 - 0.13
7 0.15 0.15 - 0.15 0.15 - 0.17 -
表6
i 0 1 2 3 4 5 6 7
0 - - - - - 0.27 - 0.26
1 - - - - - 0.18 0.17 0.17
2 - - - - - 0.27 0.26 -
3 - - - - - 0.18 0.17 0.17
4 - - - - - 0.18 0.17 0.17
5 0.08 0.08 0.08 0.08 0.08 - 0.09 -
6 - 0.08 0.08 0.08 0.08 0.09 - 0.09
7 0.10 0.10 - 0.10 0.10 - 0.11 -
第一層二進位樹搜尋步驟S22以一多狀態二進位樹搜尋法280列舉出社群網路10之複數傳播來源向量281及對應傳播來源向量281之複數基本延遲時間向量282。各傳播來源向量281包含對應節點i之相鄰節點集合V(i)，各基本延遲時間向量282對應各傳播來源向量281之其中一時間值t。
第一層二進位樹搜尋步驟S22依據社群網路10中節點i之間的連接關係，即各節點的相鄰節點集合V(0)~V(7)列出所有來源節點的可能性，表7為第一層二進位樹搜尋步驟S22列舉出的第1個至第10個傳播來源向量281及各傳播來源向量281所對應的基本延遲時間向量282，此時的起始傳播節點為節點0。傳播來源向量281由左至右依序為節點0至節點7的傳播來源節點，第1個傳播來源向量(5,5,5,5,5,0,1,1)表示節點0傳播至節點5，節點5傳播至節點1、2、3、4，節點1傳播至節點6 、7，即節點1至節點4的傳播來源節點為節點5，節點5的傳播來源節點為節點0，節點6、7的傳播來源節點為節點1。基本延遲時間向量282由左至右依序為節點0至節點7被傳播的時間值t，第1個基本延遲時間向量(0,2,2,2,2,1,3,3)之第一個數字“0”表示起始傳播節點，在時間值t=0時，訊息被投放至節點0，在時間值t=1時，訊息被傳播至節點5，在時間值t=2時，訊息被傳播至節點1、2、3、4，在時間值t=3時，訊息被傳播至節點6、7。 表7
  傳播來源向量 基本延遲時間向量
1 (5,5,5,5,5,0,1,1) (0,2,2,2,2,1,3,3)
2 (5,5,5,5,5,0,1,3) (0,2,2,2,2,1,3,3)
3 (5,5,5,5,5,0,1,4) (0,2,2,2,2,1,3,3)
4 (5,5,5,5,5,0,1,6) (0,2,2,2,2,1,3,4)
5 (5,5,5,5,5,0,2,0) (0,2,2,2,2,1,3,1)
6 (5,5,5,5,5,0,2,1) (0,2,2,2,2,1,3,3)
7 (5,5,5,5,5,0,2,3) (0,2,2,2,2,1,3,3)
8 (5,5,5,5,5,0,2,4) (0,2,2,2,2,1,3,3)
9 (5,5,5,5,5,0,2,6) (0,2,2,2,2,1,3,4)
10 (5,5,5,5,5,0,3,0) (0,2,2,2,2,1,3,1)
第二層二進位樹搜尋步驟S23以多狀態二進位樹搜尋法280列舉出各基本延遲時間向量282之複數時間軸向量290。換句話說，第二層二進位樹搜尋步驟S23對第一層二進位樹搜尋步驟S22所得之基本延遲時間向量282再次以多狀態二進位樹搜尋法280列舉出單一個基本延遲時間向量282之所有可能的時間軸向量290。其中以多狀態二進位樹搜尋法280列舉之基本延遲時間向量(0,2,2,2,2,1,3,3)之可能的前30個時間軸向量290如表8所示。
Figure 109141645-A0305-02-0016-2
Figure 109141645-A0305-02-0017-6
傳播機率計算步驟S24係依據時間路徑機率矩陣270及時間軸向量290計算社群網路10在此些時間值t之整體傳播機率S。具體而言，傳播機率計算步驟S24先依據各時間軸向量290計算對應各時間軸向量290之傳播機率，並將節點0~7分別設為起始傳播節點，計算對應不同阻尼因子d及不同時間值t之整體傳播機率S。表9繪示表8中可能的前30個時間軸向量290所對應之傳播機率。其中Ti代表第1~30個時間軸向量290的個數；Pr(Ti)代表對應各個時間軸向量290之傳播機率。表10繪示在社群網路10以節點i為起始傳播節點投放訊息，在時間值t=0時，對應不同阻尼因子d之整體傳播機率S。
Figure 109141645-A0305-02-0017-7
Figure 109141645-A0305-02-0018-3
表10
i d=0.1 d=0.3 d=0.5 d=0.7 d=0.9
0 1.05E-05 7.55E-06 5.56E-06 4.17E-06 3.15E-06
1 1.78E-05 1.33E-05 1.07E-05 8.79E-06 7.43E-06
2 1.11E-05 8.15E-06 6.14E-06 4.72E-06 3.67E-06
3 1.78E-05 1.35E-05 1.07E-05 8.79E-06 7.43E-06
4 1.78E-05 1.35E-05 1.07E-05 8.79E-06 7.43E-06
5 4.71E-06 3.32E-06 2.50E-06 1.99E-06 1.64E-06
6 7.87E-06 5.76E-06 4.35E-06 3.37E-06 2.67E-06
7 8.07E-06 6.26E-06 5.03E-06 4.17E-06 3.54E-06
S 9.58E-05 7.16E-05 5.57E-05 4.48E-05 3.70E-05
藉此，本發明之基於時間之社群網路中傳播機率之計算方法200透過多狀態二進位樹搜尋法280將時間對傳播機率的影響列入計算傳播機率之條件，列舉所有可能的傳播路徑，使整體傳播機率之計算結果更接近實際情況。
請一併參照第1圖至第5圖，其中第5圖係繪示本發明第三實施方式之基於時間之社群網路中傳播機率之計算系統300的方塊示意圖。基於時間之社群網路中傳播機率之計算系統300包含記憶體310及處理器320。
記憶體310存取社群網路10、相鄰矩陣250、網頁排名演算法260、時間路徑機率矩陣270、多狀態二進位樹搜尋法280、傳播來源向量281、基本延遲時間向量282及時間軸向量290。
處理器320電性連接記憶體310，處理器320經配置以實施包含以下步驟之操作：路徑機率計算步驟S21、第一層二進位樹搜尋步驟S22、第二層二進位樹搜尋步驟S23及傳播機率計算步驟S24。其中路徑機率計算步驟S21包含相鄰節點統計步驟S211、排名值計算步驟S212及路徑機率生成步驟S213。處理器320可為微處理器、中央處理器、伺服器處理器或其他電子運算處理器，而本發明不以此為限。
請參照表11，表11顯示本發明的基於時間之社群網路中傳播機率之計算系統300以節點i為起始傳播節點，依據多狀態二進位樹搜尋法280所列舉之傳播來源向量281的數量。處理器320為筆記型電腦Intel Core i7中央處理器，其搭載Windows 10作業系統並使用開源軟體Spyder，記憶體310的容量為16GB。其中i為節點0~7；Deg(i)代表度分布；Tmax為運算時間；N代表依據多狀態二進位樹搜尋法280所產生之傳播來源向量281之數量；n代表實際可行的傳播來源向量281之數量。由表11可知，當度分布Deg(i)愈大，傳播來源向量281之數量N愈小，處理器320所需之運算時間較短。 表11
i Deg(i) Tmax N n
0 2 6 9720 1268
1 3 6 6480 1269
2 4 6 9720 1269
3 3 6 6480 1269
4 3 6 6480 1269
5 6 5 3240 1268
6 6 5 3240 1269
7 5 5 3888 1269
請參照表12及表13，i為節點0~7；t為時間值；N代表依據多狀態二進位樹搜尋法280所產生之傳播來源向量281之數量；n代表實際可行的傳播來源向量281之數量。表12及表13分別繪示時間值t=2及時間值t=3時的傳播來源向量281數量N及實際可行的傳播來源向量281數量n，由表12及表13可知，當時間值t上升，所有傳播來源向量281與實際的傳播來源向量281之比率(N/n)亦上升。 表12
i N n N/n
0 11651837 891932 13.064
1 9196660 761060 12.084
2 11303860 874525 12.926
3 9196660 761060 12.084
4 9196660 761060 12.084
5 3783941 461678 8.196
6 4434892 507651 8.736
7 5354260 597341 8.963
表13
i N n N/n
0 514419858 24700821 20.826
1 396940282 20584520 19.283
2 496287202 24131654 20.566
3 396940282 20584520 19.283
4 396940282 20584520 19.283
5 142973828 11344701 12.603
6 173501602 12759040 13.598
7 212317522 15380446 13.804
藉此，本發明之基於時間之社群網路中傳播機率之計算系統300透過多狀態二進位樹搜尋法280將時間對傳播機率的影響列入計算傳播機率之條件，列舉所有可能的傳播路徑，使整體傳播機率之計算結果更接近實際情況。
由上述實施方式可知，本發明具有下列優點：其一，本發明之基於時間之社群網路中傳播機率之計算方法透過多狀態二進位樹搜尋法將時間對傳播機率的影響列入計算傳播機率之條件，列舉所有可能的傳播路徑，使整體傳播機率之計算結果更接近實際情況；其二，本發明之基於時間之社群網路中傳播機率之計算系統透過多狀態二進位樹搜尋法將時間對傳播機率的影響列入計算傳播機率之條件，列舉所有可能的傳播路徑，使整體傳播機率之計算結果更接近實際情況。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100,200:基於時間之社群網路中傳播機率之計算方法 10:社群網路 S11,S21:路徑機率計算步驟 S211:相鄰節點統計步驟 S212:排名值計算步驟 S213:路徑機率生成步驟 S12,S22:第一層二進位樹搜尋步驟 S13,S23:第二層二進位樹搜尋步驟 S14,S24:傳播機率計算步驟 250:相鄰矩陣 260:網頁排名演算法 270:時間路徑機率矩陣 280:多狀態二進位樹搜尋法 281:傳播來源向量 282:基本延遲時間向量 290:時間軸向量 300:基於時間之社群網路中傳播機率之計算系統 310:記憶體 320:處理器 0,1,2,3,4,5,6,7:節點
第1圖係繪示本發明第一實施方式之基於時間之社群網路中傳播機率之計算方法的流程示意圖； 第2圖係繪示本發明第二實施方式之基於時間之社群網路的示意圖； 第3圖係繪示第2圖之基於時間之社群網路中傳播機率之計算方法的流程示意圖； 第4圖係繪示第3圖之基於時間之社群網路中傳播機率之計算方法之路徑機率計算步驟的流程示意圖；以及 第5圖係繪示本發明第三實施方式之基於時間之社群網路中傳播機率之計算系統的方塊示意圖。
100:基於時間之社群網路中傳播機率之計算方法
S11:路徑機率計算步驟
S12:第一層二進位樹搜尋步驟
S13:第二層二進位樹搜尋步驟
S14:傳播機率計算步驟

Claims (10)

  1. 一種基於時間之社群網路中傳播機率之計算方法，用以對一社群網路中複數節點之一起始傳播節點投放一訊息，並計算該社群網路於複數時間值之一整體傳播機率，該基於時間之社群網路中傳播機率之計算方法包含以下步驟：一路徑機率計算步驟，係依據一網頁排名演算法(PageRank Algorithm)自該社群網路計算出複數時間路徑機率矩陣；一第一層二進位樹搜尋步驟，係以一多狀態二進位樹搜尋法列舉出該社群網路之複數傳播來源向量及對應該些傳播來源向量之複數基本延遲時間向量；一第二層二進位樹搜尋步驟，係以該多狀態二進位樹搜尋法列舉出各該基本延遲時間向量之複數時間軸向量；以及一傳播機率計算步驟，係依據該些時間路徑機率矩陣及該些時間軸向量計算該社群網路在該些時間值之該整體傳播機率；其中，該些時間路徑機率矩陣對應該些時間值，該些時間值彼此相異。
  2. 如請求項1所述之基於時間之社群網路中傳播機率之計算方法，其中該社群網路包含：該些節點，包含該起始傳播節點，各該節點包含一分支 度；及複數路徑，各該路徑連接其中二該節點；其中，各該節點之該分支度為連接各該節點之該路徑之數量，該社群網路為一無尺度網路(scale-free network)。
  3. 如請求項2所述之基於時間之社群網路中傳播機率之計算方法，其中該路徑機率計算步驟包含：一相鄰節點統計步驟，係統計連接該些節點之該些路徑並生成各該節點之一相鄰矩陣；一排名值計算步驟，係依據該網頁排名演算法、該分支度及一阻尼因子計算出各該節點之一排名值；及一路徑機率生成步驟，係依據各該節點之該排名值及各該節點之一相鄰節點集合生成該些時間路徑機率矩陣；其中，各該節點之該相鄰節點集合由該相鄰矩陣轉換而成。
  4. 如請求項3所述之基於時間之社群網路中傳播機率之計算方法，其中，各該傳播來源向量包含對應該些節點之該些相鄰節點集合；及各該基本延遲時間向量為對應各該傳播來源向量之其中一該時間值；其中，各該傳播來源向量、各該基本延遲時間向量具有 對應之一狀態向量。
  5. 如請求項4所述之基於時間之社群網路中傳播機率之計算方法，其中該整體傳播機率隨該時間值增加而減少。
  6. 一種基於時間之社群網路中傳播機率之計算系統，用以對一社群網路中複數節點之一起始傳播節點投放一訊息，並計算該社群網路於複數時間值之一整體傳播機率，該基於時間之社群網路中傳播機率之計算系統包含：一記憶體，存取該社群網路及一多狀態二進位樹搜尋法；以及一處理器，電性連接該記憶體，該處理器經配置以實施包含以下步驟之操作：一路徑機率計算步驟，係依據一網頁排名演算法自該社群網路計算出複數時間路徑機率矩陣；一第一層二進位樹搜尋步驟，係以該多狀態二進位樹搜尋法列舉出該社群網路之複數傳播來源向量及對應該些傳播來源向量之複數基本延遲時間向量；一第二層二進位樹搜尋步驟，係以該多狀態二進位樹搜尋法列舉出各該基本延遲時間向量之複數時間軸向量；及一傳播機率計算步驟，係依據該些時間路徑機率矩陣 及該些時間軸向量計算該社群網路在該些時間值之該整體傳播機率；其中，該些時間路徑機率矩陣對應該些時間值，該些時間值彼此相異。
  7. 如請求項6所述之基於時間之社群網路中傳播機率之計算系統，其中該社群網路包含：該些節點，包含該起始傳播節點，各該節點包含一分支度；及複數路徑，各該路徑連接其中二該節點；其中，各該節點之該分支度為連接各該節點之該路徑之數量，該社群網路為一無尺度網路。
  8. 如請求項7所述之基於時間之社群網路中傳播機率之計算系統，其中該路徑機率計算步驟包含：一相鄰節點統計步驟，係統計連接該些節點之該些路徑並生成各該節點之一相鄰矩陣；一排名值計算步驟，係依據該網頁排名演算法、該分支度及一阻尼因子計算出各該節點之一排名值；及一路徑機率生成步驟，係依據各該節點之該排名值及各該節點之一相鄰節點集合生成該些時間路徑機率矩陣；其中，各該節點之該相鄰節點集合由該相鄰矩陣轉換而成。
  9. 如請求項8所述之基於時間之社群網路中傳播機率之計算系統，其中，各該傳播來源向量包含對應該些節點之該些相鄰節點集合；及各該基本延遲時間向量為對應各該傳播來源向量之其中一該時間值；其中，各該傳播來源向量、各該基本延遲時間向量具有對應之一狀態向量。
  10. 如請求項6所述之基於時間之社群網路中傳播機率之計算系統，其中該整體傳播機率隨該時間值增加而減少。
TW109141645A 2020-11-26 2020-11-26 基於時間之社群網路中傳播機率之計算方法及其系統 TWI753674B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW109141645A TWI753674B (zh) 2020-11-26 2020-11-26 基於時間之社群網路中傳播機率之計算方法及其系統
US17/232,114 US11557006B2 (en) 2020-11-26 2021-04-15 Method and system for calculating total transmission probability within social network based on timing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109141645A TWI753674B (zh) 2020-11-26 2020-11-26 基於時間之社群網路中傳播機率之計算方法及其系統

Publications (2)

Publication Number Publication Date
TWI753674B true TWI753674B (zh) 2022-01-21
TW202221534A TW202221534A (zh) 2022-06-01

Family

ID=80809019

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109141645A TWI753674B (zh) 2020-11-26 2020-11-26 基於時間之社群網路中傳播機率之計算方法及其系統

Country Status (2)

Country Link
US (1) US11557006B2 (zh)
TW (1) TWI753674B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201520948A (zh) * 2013-11-22 2015-06-01 Inst Information Industry 社群訊息處理方法以及裝置
JP5882157B2 (ja) * 2006-08-31 2016-03-09 クゥアルコム・インコーポレイテッドＱｕａｌｃｏｍｍ Ｉｎｃｏｒｐｏｒａｔｅｄ 利用者ベースのバイアスを使用した検索結果の取得又は提供方法および装置
WO2017152883A1 (zh) * 2016-03-11 2017-09-14 华为技术有限公司 一种协同流的识别方法、系统以及使用该方法的服务器
US9967259B2 (en) * 2014-07-18 2018-05-08 Facebook, Inc. Controlling devices by social networking
US10250932B2 (en) * 2012-04-04 2019-04-02 Time Warner Cable Enterprises Llc Apparatus and methods for automated highlight reel creation in a content delivery network
US10275009B2 (en) * 2014-04-16 2019-04-30 Facebook, Inc. Location-based content promotion on online social networks
CN110335059A (zh) * 2019-05-14 2019-10-15 浙江工业大学 一种用于微博网络广告信息传播趋势的分析方法
CN110472105A (zh) * 2019-08-06 2019-11-19 电子科技大学 一种基于时间划分的社交网络事件演化追踪方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8543648B1 (en) * 2010-12-13 2013-09-24 Imdb.Com, Inc. Efficiently finding collaborations on a network
US10049099B2 (en) * 2015-04-10 2018-08-14 Facebook, Inc. Spell correction with hidden markov models on online social networks
US10095683B2 (en) * 2015-04-10 2018-10-09 Facebook, Inc. Contextual speller models on online social networks
US20170317963A1 (en) * 2016-04-27 2017-11-02 Linkedin Corporation Distribution of electronic messages
US10270732B2 (en) * 2016-06-08 2019-04-23 Facebook, Inc. Promoting social memories on online social networks
US9848313B1 (en) * 2016-09-29 2017-12-19 Facebook, Inc. Sending safety-check prompts based on user interaction
US10992583B1 (en) * 2019-10-07 2021-04-27 Ford Global Technologies, Llc Opportunistic packet retransmissions
US11276104B1 (en) * 2020-08-21 2022-03-15 Salesforce.Com, Inc. Online recommendations

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5882157B2 (ja) * 2006-08-31 2016-03-09 クゥアルコム・インコーポレイテッドＱｕａｌｃｏｍｍ Ｉｎｃｏｒｐｏｒａｔｅｄ 利用者ベースのバイアスを使用した検索結果の取得又は提供方法および装置
US10250932B2 (en) * 2012-04-04 2019-04-02 Time Warner Cable Enterprises Llc Apparatus and methods for automated highlight reel creation in a content delivery network
TW201520948A (zh) * 2013-11-22 2015-06-01 Inst Information Industry 社群訊息處理方法以及裝置
US10275009B2 (en) * 2014-04-16 2019-04-30 Facebook, Inc. Location-based content promotion on online social networks
US10394303B2 (en) * 2014-04-16 2019-08-27 Facebook, Inc. Location-based ranking of search results on online social networks
US9967259B2 (en) * 2014-07-18 2018-05-08 Facebook, Inc. Controlling devices by social networking
WO2017152883A1 (zh) * 2016-03-11 2017-09-14 华为技术有限公司 一种协同流的识别方法、系统以及使用该方法的服务器
CN110335059A (zh) * 2019-05-14 2019-10-15 浙江工业大学 一种用于微博网络广告信息传播趋势的分析方法
CN110472105A (zh) * 2019-08-06 2019-11-19 电子科技大学 一种基于时间划分的社交网络事件演化追踪方法

Also Published As

Publication number Publication date
TW202221534A (zh) 2022-06-01
US11557006B2 (en) 2023-01-17
US20220164898A1 (en) 2022-05-26

Similar Documents

Publication Publication Date Title
US10430464B1 (en) Scalable graph propagation for knowledge expansion
US8788499B2 (en) System and method for finding top N pairs in a map-reduce setup
TW200941266A (en) Interconnect architectural state coverage measurement methodology
WO2021143477A1 (zh) 融合公域数据和私有数据的联盟学习方法、装置和系统
CN113568577B (zh) 一种基于联盟区块链的分布式分组存储方法
TW202027458A (zh) 聯盟鏈中的請求處理方法、系統、裝置及設備
WO2023051282A1 (zh) 一种嵌入向量预取的方法、装置、系统及相关设备
CN105577806A (zh) 一种分布式缓存方法及系统
CN114244835A (zh) 基于区块链的去中心化自适应协同训练方法和装置
CN115905687A (zh) 基于元学习图神经网络面向冷启动的推荐系统及方法
Hsin et al. Ant colony optimization-based adaptive network-on-chip routing framework using network information region
Ganguly et al. A denial-of-service resilient wireless NoC architecture
US20220141174A1 (en) Method and system for selecting multiple target nodes within social network
TWI753674B (zh) 基於時間之社群網路中傳播機率之計算方法及其系統
RU2744028C2 (ru) Способ и система для хранения множества документов
Chauhan et al. Web page ranking using machine learning approach
Gu et al. Optimization of service addition in multilevel index model for edge computing
US20220283951A1 (en) Apparatus and method for intelligent memory page management
Villar et al. Obtaining the optimal configuration of high-radix combined switches
CN113722554A (zh) 数据分类方法、装置及计算设备
Georgiou et al. Selfish routing in the presence of network uncertainty
Buendia et al. Optimized graph-based trust mechanisms using hitting times
KR102660480B1 (ko) 랜덤 워크를 이용한 개인화된 랭킹 방법 및 시스템
Jun et al. Design of on-chip crossbar network topology using chained edge partitioning
US10394726B2 (en) Network of memory modules with logarithmic access