35] 下面結(jié)合說明書附圖對本發(fā)明創(chuàng)造作進(jìn)一步的詳細(xì)說明。
[0036] 本發(fā)明涉及的術(shù)語解釋，包括：
[0037] 節(jié)點的傳播重要度矩陣SIR定義為多次傳播仿真網(wǎng)絡(luò)中I狀態(tài)和R狀態(tài)的節(jié)點占 整個網(wǎng)絡(luò)的比例的平均值。分別對網(wǎng)絡(luò)中每一個節(jié)點進(jìn)行傳播仿真，即每一次仿真只有一 個節(jié)點處于I狀態(tài)，其他節(jié)點為都為S狀態(tài)，選取傳播時間步為10,對每個節(jié)點進(jìn)行100次 傳播仿直，_此節(jié)點v;的傳播重要度為：
[0038]
[0039] 其中njjj表示初始傳播節(jié)點為節(jié)點v;的第j次傳播仿真中經(jīng)過10步傳播后網(wǎng)絡(luò) 中S狀態(tài)的節(jié)點個數(shù)。
[0040] 通過計算每個算法的節(jié)點重要度和傳播重要度關(guān)系，來判斷算法的有效性。
[0041] 如圖1所示，本發(fā)明是由SimRank算法計算被測網(wǎng)絡(luò)的節(jié)點重要度值，再通過SIR 給出顯示算法有效性的圖4、圖5所示，所有仿真通過MATLAB完成。
[0042] 如圖2是本發(fā)明的流程圖，首先構(gòu)建A、,，進(jìn)而計算每個節(jié)點LR值，再計算節(jié)點對 之間的相似度，從而計算每個節(jié)點的SR值，最后通過SIR傳播仿真驗證。
[0043] 如圖3本發(fā)明實例流程圖所示，其為一種基于LeaderRank算法和節(jié)點相似度的重 要節(jié)點發(fā)現(xiàn)方法，包括：
[0044] 1、對要求分析的社交網(wǎng)絡(luò)通過關(guān)注關(guān)系構(gòu)建信息收聽網(wǎng)絡(luò)，采用LeaderRank 算法，計算得到每個節(jié)點的全局重要度。具體做法如下：
[0045] a.初始化：給每個節(jié)點賦予LR初值為卩h·;
[0046] b.通過公式計算每個節(jié)點的LR值；
[0047] c.重復(fù)b直到每個節(jié)點的LR值不在變化
[0048] 2、計算得到節(jié)點相似度矩陣SHL具體做法如下：
[0049] a.選擇節(jié)點，計算與其鄰居節(jié)點的相似度，得到節(jié)點相似度矩陣；
[0050] b.遍歷所有節(jié)點得到節(jié)點相似度矩陣SIM。
[0051] 3、采用SimRank算法，計算得到節(jié)點的重要度，對其進(jìn)行排序。
[0052] 4、對節(jié)點進(jìn)行SIR傳播仿真，得到節(jié)點重要性和節(jié)點傳播重要性的線性關(guān)系。具 體方法包括如下：
[0053] a.初始化：選擇一個節(jié)點作為R狀態(tài)的節(jié)點；
[0054] b.進(jìn)行10個時間步的SIR傳播，得到I狀態(tài)和R狀態(tài)節(jié)點占網(wǎng)絡(luò)中所有節(jié)點的比 例；
[0055] c.對選擇的節(jié)點重復(fù)步驟b100次，從而得到多次仿真后節(jié)點的傳播重要度SIR;
[0056] d.轉(zhuǎn)至步驟a，遍歷網(wǎng)絡(luò)中其他節(jié)點。
[0057] e.繪制節(jié)點重要性和節(jié)點傳播重要性的線性關(guān)系圖5,其中橫坐標(biāo)是節(jié)點重要 性，縱坐標(biāo)是節(jié)點傳播重要性。
[0058] 如圖4本發(fā)明仿真結(jié)果所示。PageRank、LeaderRank和SimRank節(jié)點重要度和傳 播重要度的線性程度表現(xiàn)更好。換而言之，本算法在重要節(jié)點排序上要優(yōu)于度中心性和接 近中心性。圖4(c)、（d)、（e)圖中圓圈標(biāo)注的部分中，LeaderRank、PageRank、算法排名值 高的其SIR值低，而本算法線性程度好，可知本算法在發(fā)現(xiàn)重要性低的算法中，比另外兩種 算法優(yōu)秀；此外，圖中橢圓標(biāo)注中，本算法在節(jié)點重要性高的部分其離散程度低于其他兩種 算法，可知本算法在發(fā)現(xiàn)網(wǎng)絡(luò)重要節(jié)點更為有效。
[0059] 如圖5本發(fā)明仿真結(jié)果所示。本算法的重要節(jié)點排序結(jié)果比PageRank和 LeaderRank表現(xiàn)更好。圖5(a)、（b)、（c)為本算法與PageRank的對比結(jié)果，圖（a)、（b) 中，本算法的I狀態(tài)比例S:最大值超過0.5,高于PageRank算法，且前者增長時后者已 經(jīng)下降了，表明本算法的傳播深度高于后者，也證明了本算法選取該網(wǎng)絡(luò)核心節(jié)點表現(xiàn)比 PageRank優(yōu)越。圖（c)中兩者的相差比例更加明顯，本算法的斜率高于后者，表明本算法傳 播速度高于后者，說明了本算法在整個網(wǎng)絡(luò)節(jié)點重要度排序要優(yōu)于PageRank。同理，由圖 5(d)、（e)、（f)本算法與LeaderRank的對比結(jié)果可知，本算法I狀態(tài)的最大值和斜率都高 于后者，說明本算法無論是在發(fā)現(xiàn)該網(wǎng)絡(luò)的核心節(jié)點上還是整個網(wǎng)絡(luò)節(jié)點重要度排序上， 都要優(yōu)于LeaderRank。
【主權(quán)項】
1. 一種社交網(wǎng)絡(luò)重要用戶發(fā)現(xiàn)的實現(xiàn)方法，其特征在于，所述方法包括如下步驟： 步驟1 :對要求分析的社交網(wǎng)絡(luò)通過關(guān)注關(guān)系構(gòu)建信息收聽網(wǎng)絡(luò)Aij，采用LeaderRank 算法，計算得到每個節(jié)點的全局重要度； 步驟2 :采用定義的相似度計算兩兩節(jié)點的相似度，作為節(jié)點局部相互作用； 步驟3 :采用SimRank算法，計算得到節(jié)點的重要度，對其進(jìn)行排序； 步驟4 :采用SIR傳播模型，對比其他經(jīng)典算法，驗證有效性。2. 根據(jù)權(quán)利要求1所述的一種社交網(wǎng)絡(luò)重要用戶發(fā)現(xiàn)的實現(xiàn)方法，其特征在于，所述 步驟1中，采用LeaderRank算法求解節(jié)點的全局重要度，包含一個背景節(jié)點，LeaderRank算 法包括如下步驟：a. 在原有A、,的基礎(chǔ)上，加入一個背景節(jié)點，即與網(wǎng)絡(luò)中其他節(jié)點相互連接，得到新的 網(wǎng)絡(luò)A、/ ; b. 由A;/計算得到 c. 根據(jù)，不斷迭代至穩(wěn)定后，計算最終得到每個節(jié)點的LR值； 其中為節(jié)點Vl的出度，％為基本Google矩陣中的元素，η為網(wǎng)絡(luò)節(jié)點總數(shù)，即不 包括背景節(jié)點，LRg(k)為第k步背景節(jié)點vg的重要度。3. 根據(jù)權(quán)利要求1所述的一種社交網(wǎng)絡(luò)重要用戶發(fā)現(xiàn)的實現(xiàn)方法，其特征在于，所述 步驟2中，節(jié)點相似度充分考慮節(jié)點入邊和出邊，相似度計算公式為：其中a i為節(jié)點v i的鄰居節(jié)點的集合，γ是調(diào)節(jié)參數(shù)（0 < γ < 1)，表示節(jié)點Vl 和節(jié)點Vj共同指向的節(jié)點個數(shù)，表示共同指向節(jié)點Vi和節(jié)點V _j的節(jié)點個數(shù)。4. 根據(jù)權(quán)利要求1所述的一種社交網(wǎng)絡(luò)重要用戶發(fā)現(xiàn)的實現(xiàn)方法，其特征在于，所述 步驟3中，綜合節(jié)點局部和全局特征，所述SimRank算法方程為：5. 根據(jù)權(quán)利要求1所述的一種社交網(wǎng)絡(luò)重要用戶發(fā)現(xiàn)的實現(xiàn)方法，其特征在于步驟4 中，是采用SIR傳播模型驗證算法的有效性。6. 根據(jù)權(quán)利要求4所述的一種社交網(wǎng)絡(luò)重要用戶發(fā)現(xiàn)的實現(xiàn)方法，其特征在于：采用 的算法滿足與節(jié)點連接的鄰居節(jié)點個數(shù)越多，節(jié)點的重要度越高。7. 根據(jù)權(quán)利要求4所述的一種社交網(wǎng)絡(luò)重要用戶發(fā)現(xiàn)的實現(xiàn)方法，其特征在于：采用 的算法滿足節(jié)點對之間的相互影響力不同，鄰居節(jié)點數(shù)多的一方對另一方的影響力更大； 符合現(xiàn)實網(wǎng)絡(luò)中，當(dāng)兩個人的共同好友數(shù)一致時，好友數(shù)少的一方對認(rèn)為另一方和其的關(guān) 系會比好友數(shù)多的一方認(rèn)為對方和其的關(guān)系更為親密。8. 根據(jù)權(quán)利要求4所述的一種社交網(wǎng)絡(luò)重要用戶發(fā)現(xiàn)的實現(xiàn)方法，其特征在于：采用 的算法滿足節(jié)點對的相似度為0時，節(jié)點之間仍然有相互作用。9.根據(jù)權(quán)利要求4所述的一種社交網(wǎng)絡(luò)重要用戶發(fā)現(xiàn)的實現(xiàn)方法，其特征在于：所述 方法應(yīng)用于社交網(wǎng)絡(luò)關(guān)注關(guān)系的網(wǎng)絡(luò)中。
【專利摘要】本發(fā)明公開了一種社交網(wǎng)絡(luò)重要用戶發(fā)現(xiàn)的實現(xiàn)方法，該方法在求解網(wǎng)絡(luò)中不同用戶相互影響的能力時，提出節(jié)點相似度來衡量節(jié)點受其鄰居節(jié)點的影響大小，綜合考慮節(jié)點的局部影響力和全局影響力，得到節(jié)點的重要性。本發(fā)明的優(yōu)點：1)采用了LeaderRank算法作為改進(jìn)的算法，避免了如PageRank算法陷入懸掛節(jié)點的可能，并且提高了算法的收斂速度。2)節(jié)點相似度計算考慮節(jié)點的入邊和出邊。3)綜合考慮了節(jié)點的局部和全局作用，提高了算法的準(zhǔn)確性。
【IPC分類】G06Q50/00
【公開號】CN105335892
【申請?zhí)枴緾N201510732810
【發(fā)明人】朱梓嫣, 顧亦然, 孟繁榮
【申請人】南京郵電大學(xué)
【公開日】2016年2月17日
【申請日】2015年10月30日