社交网络中影响最大化问题的研究一直是社交网络分析的重点之一,其技术在人们生活的很多领域中具有应用价值.针对现有影响最大化算法存在时间复杂度高、算法精度低和不稳定的问题,文中利用线性阈值模型的能够将影响力累积的特性,提出一...社交网络中影响最大化问题的研究一直是社交网络分析的重点之一,其技术在人们生活的很多领域中具有应用价值.针对现有影响最大化算法存在时间复杂度高、算法精度低和不稳定的问题,文中利用线性阈值模型的能够将影响力累积的特性,提出一种基于度和影响力的混合启发式算法—DIH(Degree and Influence Heuristic)算法.该算法综合考虑网络的传播特性和结构特性,基于线性阈值模型将整个影响最大化计算分为两个启发阶段:首先进行度折启发,在激活节点的同时将节点的影响力积累,然后进行影响力启发,将度折启发期间积累的影响力爆发,从而激活更多的节点.为保证算法的效率,本文在影响力启发阶段设计了一种近似估计节点影响力的计算方法.最后,本文在三个不同的真实网络中验证了算法的有效性.展开更多
文摘社交网络中影响最大化问题的研究一直是社交网络分析的重点之一,其技术在人们生活的很多领域中具有应用价值.针对现有影响最大化算法存在时间复杂度高、算法精度低和不稳定的问题,文中利用线性阈值模型的能够将影响力累积的特性,提出一种基于度和影响力的混合启发式算法—DIH(Degree and Influence Heuristic)算法.该算法综合考虑网络的传播特性和结构特性,基于线性阈值模型将整个影响最大化计算分为两个启发阶段:首先进行度折启发,在激活节点的同时将节点的影响力积累,然后进行影响力启发,将度折启发期间积累的影响力爆发,从而激活更多的节点.为保证算法的效率,本文在影响力启发阶段设计了一种近似估计节点影响力的计算方法.最后,本文在三个不同的真实网络中验证了算法的有效性.
