移動互聯(lián)網(wǎng)、社交網(wǎng)絡愈發(fā)深刻地融入到人們的日常生活,特別是發(fā)展勢頭猛烈的網(wǎng)絡社交平臺,對社會交往模式和信息傳播方式的改變起到了重要的作用。在口碑營銷中,商家常常選取具有影響力的節(jié)點作為種子用戶,通過種子節(jié)點去傳播商家的產(chǎn)品,促使更多的消費者知曉并購買商家的產(chǎn)品。將該營銷模式映射到網(wǎng)絡環(huán)境中,能夠通過種子節(jié)點實現(xiàn)信息傳播范圍的最大化。在社會網(wǎng)絡中,種子節(jié)點的影響力對網(wǎng)絡輿情的控制、謠言傳播的爆發(fā)等有著重要的作用。因此在社會網(wǎng)絡環(huán)境下,針對節(jié)點的影響力最大化問題的研究具有重大的理論和現(xiàn)實意義。社會網(wǎng)絡影響力最大化問題通常從算法和模型兩方面進行研究,本文通過深入分析幾年來該問題的研究成果,對現(xiàn)有的工作進行了改進,并通過真實數(shù)據(jù)集驗證了所提算法的有效性。本文的研究成果主要體現(xiàn)在以下幾個方面:（1）為了研究網(wǎng)絡中子群結(jié)構(gòu)對信息擴散的影響,本文提出了一種基于控制擴散成本的k-核精煉算法。該算法對節(jié)點在k_max-核和(k_max-1)-核的節(jié)點鄰居重疊分析對k_max-核進行了范圍精煉。該算法解決了k_max-核內(nèi)影響... 

【文章來源】：山東師范大學山東省

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

三種規(guī)則網(wǎng)絡

為利用遞歸方法依次刪除網(wǎng)絡中度值小于或者等于 k 的節(jié)點，直至所有節(jié)點都被遍歷一遍為止。給定無向網(wǎng)絡 G=(V，E)。其中 V 代表節(jié)點集合，E 代表邊集合。假設初始網(wǎng)絡中 V=N，E=M，即網(wǎng)絡 G 是由 N 個節(jié)點和 M 條邊組成的一個無向網(wǎng)絡，其中 ks值代表了 k-殼數(shù)。k-核具體分解過程如下：步驟(1)：首先刪除度值 k=1 的節(jié)點。初始刪除 k=1 的節(jié)點后，網(wǎng)絡中可能依然存在度值 k=1 的節(jié)點，此時繼續(xù)刪除，直至剩余節(jié)點的度值 k>1 為止。如圖 3.1 所示，采用黑箱理論去解析 k 核分解過程，假設網(wǎng)絡由矩形黃色區(qū)域和節(jié)點 A，B 組成，其中矩形黃色區(qū)域內(nèi)的節(jié)點都有二階鄰居節(jié)點，藍色區(qū)域表示推理。初始分解刪除節(jié)點 B 后，由于 A 節(jié)點的度值依然為 1，因此繼續(xù)刪除節(jié)點 A。因此在執(zhí)行 k-核分解的第一步后，網(wǎng)絡輸出的應為矩形黃色區(qū)域而非矩形黃色區(qū)域和節(jié)點 A。步驟(2)：繼續(xù)刪除度值 k=2 的節(jié)點，迭代過程與步驟(1)相同。步驟(3)：依次將 k 值增加 1，直至所有節(jié)點被遍歷依次，分解過程結(jié)束。

為利用遞歸方法依次刪除網(wǎng)絡中度值小于或者等于 k 的節(jié)點，直至所有節(jié)點都被遍歷一遍為止。給定無向網(wǎng)絡 G=(V，E)。其中 V 代表節(jié)點集合，E 代表邊集合。假設初始網(wǎng)絡中 V=N，E=M，即網(wǎng)絡 G 是由 N 個節(jié)點和 M 條邊組成的一個無向網(wǎng)絡，其中 ks值代表了 k-殼數(shù)。k-核具體分解過程如下：步驟(1)：首先刪除度值 k=1 的節(jié)點。初始刪除 k=1 的節(jié)點后，網(wǎng)絡中可能依然存在度值 k=1 的節(jié)點，此時繼續(xù)刪除，直至剩余節(jié)點的度值 k>1 為止。如圖 3.1 所示，采用黑箱理論去解析 k 核分解過程，假設網(wǎng)絡由矩形黃色區(qū)域和節(jié)點 A，B 組成，其中矩形黃色區(qū)域內(nèi)的節(jié)點都有二階鄰居節(jié)點，藍色區(qū)域表示推理。初始分解刪除節(jié)點 B 后，由于 A 節(jié)點的度值依然為 1，因此繼續(xù)刪除節(jié)點 A。因此在執(zhí)行 k-核分解的第一步后，網(wǎng)絡輸出的應為矩形黃色區(qū)域而非矩形黃色區(qū)域和節(jié)點 A。步驟(2)：繼續(xù)刪除度值 k=2 的節(jié)點，迭代過程與步驟(1)相同。步驟(3)：依次將 k 值增加 1，直至所有節(jié)點被遍歷依次，分解過程結(jié)束。

【參考文獻】：
期刊論文
[1]復雜網(wǎng)絡上的演化博弈動力學——一個計算視角的綜述[J]. 譚少林,呂金虎.  復雜系統(tǒng)與復雜性科學. 2017(04)
[2]復雜網(wǎng)絡節(jié)點影響力測度及其最大化研究綜述[J]. 張應青,羅明,李星.  現(xiàn)代情報. 2017(01)
[3]社會網(wǎng)絡節(jié)點影響力分析研究[J]. 韓忠明,陳炎,劉雯,原碧鴻,李夢琪,段大高.  軟件學報. 2017(01)
[4]基于啟發(fā)式和貪心策略的社交網(wǎng)絡影響最大化算法[J]. 曹玖新,閔繪宇,徐順,劉波.  東南大學學報(自然科學版). 2016(05)
[5]在影響力最大化問題中尋找種子節(jié)點的替補節(jié)點[J]. 馬茜,馬軍.  計算機學報. 2017(03)
[6]復雜網(wǎng)絡上流行病傳播動力學的爆發(fā)閾值解析綜述[J]. 李睿琪,王偉,舒盼盼,楊慧,潘黎明,崔愛香,唐明.  復雜系統(tǒng)與復雜性科學. 2016(01)
[7]基于OSN的謠言傳播模型及影響力節(jié)點研究[J]. 蒙在橋,傅秀芬,陳培文,陸靖橋.  復雜系統(tǒng)與復雜性科學. 2015(03)
[8]TTRank:基于傾向性轉(zhuǎn)變的用戶影響力排序[J]. 段松青,吳斌,王柏.  計算機研究與發(fā)展. 2014(10)
[9]一種基于k-核的社會網(wǎng)絡影響最大化算法[J]. 曹玖新,董丹,徐順,鄭嘯,劉波,羅軍舟.  計算機學報. 2015(02)
[10]在線社交網(wǎng)絡影響力分析[J]. 吳信東,李毅,李磊.  計算機學報. 2014(04)



本文編號：2901678