隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展和大數(shù)據(jù)時(shí)代的到來(lái),社交網(wǎng)絡(luò)已逐漸成為人們進(jìn)行信息交互和分享的主要媒介。近年來(lái),越來(lái)越多的商家和企業(yè)開(kāi)始利用社交網(wǎng)絡(luò)進(jìn)行產(chǎn)品推廣和宣傳。這種新型的營(yíng)銷(xiāo)模式往往能夠以更低的成本帶來(lái)更好的營(yíng)銷(xiāo)效果。影響最大化問(wèn)題旨在從社交網(wǎng)絡(luò)中挖掘出一定數(shù)量的有影響力的個(gè)體并作為信息的傳播源,使信息在整個(gè)網(wǎng)絡(luò)中的影響傳播范圍達(dá)到最大。除了在社交網(wǎng)絡(luò)信息傳播研究領(lǐng)域之外,影響最大化問(wèn)題還被應(yīng)用于輿論傳播監(jiān)控和傳染病防疫等領(lǐng)域。近年來(lái),越來(lái)越多的學(xué)者投身到影響最大化問(wèn)題的研究當(dāng)中,并提出了許多解決方法。這些算法大致可以分為以下三類(lèi):基于爬山機(jī)制的貪婪算法及其改進(jìn)算法;基于社交網(wǎng)絡(luò)特性的啟發(fā)式算法;基于目標(biāo)函數(shù)的優(yōu)化算法。其中,貪婪算法及其改進(jìn)算法具有較高的準(zhǔn)確率,但是其運(yùn)行效率較低,不適合求解大規(guī)模社交網(wǎng)絡(luò)的影響最大化問(wèn)題。相反,啟發(fā)式算法具有很高的運(yùn)行效率,但是在準(zhǔn)確度和穩(wěn)定性方面這些算法表現(xiàn)欠佳。針對(duì)上述影響最大化問(wèn)題及現(xiàn)有算法存在的不足,本文的主要從以下幾個(gè)方面對(duì)社交網(wǎng)絡(luò)影響最大化問(wèn)題進(jìn)行了研究:本文創(chuàng)新性地提出了一種基于社區(qū)劃分和Memetic算法的社交網(wǎng)絡(luò)影響最大化算法。該算法充... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容
    1.4 本文章節(jié)安排
第二章 相關(guān)概念及理論知識(shí)
    2.1 社交網(wǎng)絡(luò)
        2.1.1 社交網(wǎng)絡(luò)的基本概念
        2.1.2 社交網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)特性
    2.2 信息傳播模型
        2.2.1 獨(dú)立級(jí)聯(lián)模型
        2.2.2 權(quán)重級(jí)聯(lián)模型
        2.2.3 線(xiàn)性閾值模型
    2.3 影響最大化問(wèn)題及相關(guān)算法
        2.3.1 問(wèn)題定義
        2.3.2 相關(guān)算法
    2.4 本章小結(jié)
第三章 基于社區(qū)劃分和Memetic算法的CMA社交網(wǎng)絡(luò)影響最大化算法
    3.1 引言
    3.2 CMA算法框架
    3.3 社區(qū)劃分
        3.3.1 社區(qū)劃分的意義
        3.3.2 社區(qū)劃分算法
    3.4 選出候選節(jié)點(diǎn)
        3.4.1 選擇重要社區(qū)
        3.4.2 選出候選節(jié)點(diǎn)
    3.5 一種用于社交網(wǎng)絡(luò)影響最大化問(wèn)題的Memetic算法
        3.5.1 Memetic算法簡(jiǎn)介
        3.5.2 MIM算法框架
        3.5.3 編碼方式和種群初始化
        3.5.4 遺傳操作
        3.5.5 局部搜索算子
    3.6 實(shí)驗(yàn)仿真與結(jié)果分析
        3.6.1 實(shí)驗(yàn)設(shè)置
        3.6.2 實(shí)驗(yàn)結(jié)果分析
        3.6.3 算法參數(shù)分析
    3.7 本章小結(jié)
第四章 基于Spark分布式并行計(jì)算的DP-CMA社交網(wǎng)絡(luò)影響最大化算法
    4.1 引言
    4.2 Spark分布式并行計(jì)算架構(gòu)
        4.2.1 Spark簡(jiǎn)介
        4.2.2 GraphX圖計(jì)算框架
    4.3 基于Spark分布式并行計(jì)算的DP-CMA社交網(wǎng)絡(luò)影響最大化算法
        4.3.1 算法基礎(chǔ)
        4.3.2 算法框架
        4.3.3 編碼方式和種群初始化
        4.3.4 適應(yīng)度計(jì)算
        4.3.5 遺傳操作和局部搜索算子
        4.3.6 遷移算子
    4.4 實(shí)驗(yàn)仿真與結(jié)果分析
        4.4.1 實(shí)驗(yàn)設(shè)置
        4.4.2 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：2992297