【摘要】：隨著互聯(lián)網(wǎng)的快速發(fā)展,網(wǎng)絡(luò)數(shù)據(jù)爆炸式的增長,復(fù)雜網(wǎng)絡(luò)已成為當(dāng)下國內(nèi)外專家、學(xué)者的研究熱點(diǎn)。在近些年的研究過程中,研究人員通過收集大量真實(shí)網(wǎng)絡(luò)數(shù)據(jù),總結(jié)出了不同領(lǐng)域的復(fù)雜網(wǎng)絡(luò)的特征,并發(fā)現(xiàn)復(fù)雜網(wǎng)絡(luò)中節(jié)點(diǎn)影響力最大化的研究對于社會發(fā)展中的商業(yè)推廣、信息監(jiān)控和控制疾病傳播等多個領(lǐng)域有著非常重要的意義。通過閱讀大量的文獻(xiàn)資料,學(xué)習(xí)復(fù)雜網(wǎng)絡(luò)領(lǐng)域的相關(guān)基礎(chǔ)理論并深入的分析k-shell分解算法和結(jié)構(gòu)洞特征的節(jié)點(diǎn)影響力排序問題,以及對選擇最佳種子節(jié)點(diǎn)影響最大化的不足。結(jié)合目前的研究現(xiàn)狀及存在的問題,提出以下兩種算法。首先,針對k-shell分解算法劃分粗�；膯栴},提出一種基于k-shell與結(jié)構(gòu)洞特征的節(jié)點(diǎn)影響力排序算法。該算法考慮形成結(jié)構(gòu)洞特征網(wǎng)絡(luò)中存在偽核心節(jié)點(diǎn)和網(wǎng)絡(luò)中真實(shí)度分布,然后結(jié)合“結(jié)構(gòu)洞”約束系數(shù)對節(jié)點(diǎn)局部屬性的影響與衰減函數(shù)的對偽核心節(jié)點(diǎn)的作用,得到節(jié)點(diǎn)影響力排序的相關(guān)系數(shù)指標(biāo),進(jìn)而識別出節(jié)點(diǎn)影響力排序的精準(zhǔn)度。其次,深入學(xué)習(xí)分析啟發(fā)式VoteRank算法的影響最大化特征,提出一種基于啟發(fā)式雙層投票的影響最大化算法。該算法考慮節(jié)點(diǎn)集間存在傳播影響力重疊問題,充分利用次鄰居節(jié)點(diǎn)的投票貢獻(xiàn)度,選取最佳種子節(jié)點(diǎn)集合,并采用獨(dú)立級聯(lián)模型,依據(jù)感染比例和感染概率衡量指標(biāo),評價提出的算法有效性。最后,分別選取三個真實(shí)的網(wǎng)絡(luò)數(shù)據(jù)集在SIR傳播模型和獨(dú)立級聯(lián)模型上進(jìn)行仿真實(shí)驗(yàn),并與幾個經(jīng)典算法作對比,分析實(shí)驗(yàn)結(jié)果并得出結(jié)論。
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP301.6;O157.5
【圖文】：

排序算法 k-shell 分解算法性指標(biāo)僅考慮節(jié)點(diǎn)直接鄰居的數(shù)量，認(rèn)為鄰居數(shù)量相同則僅僅考慮節(jié)點(diǎn)的鄰居數(shù)量是不夠全面的，許多研究都表明點(diǎn)所處的位置有很重要的關(guān)系，若節(jié)點(diǎn)的度值很小，但處那么它的影響力也會很大�；诖�，Kitsak 等人提出用 k中節(jié)點(diǎn)的核心節(jié)點(diǎn)。類似于剝洋蔥的方法，將網(wǎng)絡(luò)中外圍剩下的處于內(nèi)層的節(jié)點(diǎn)就是擁有較高影響力的核心節(jié)點(diǎn)。網(wǎng)絡(luò)中度為 1 的節(jié)點(diǎn)及其所連邊，如果網(wǎng)絡(luò)中出現(xiàn)新的度，直至網(wǎng)絡(luò)中再也找不到度為 1 的節(jié)點(diǎn)為止，那么已去除掉一層之后，節(jié)點(diǎn)在剩下的網(wǎng)絡(luò)中的度稱為節(jié)點(diǎn)的剩余度中剩余度為 2 的節(jié)點(diǎn)，得到 2-殼，重復(fù)上述操作，直到剝下面將根據(jù)圖 2-1 分析 k-shell 分解算法的算例分析。

圖 2-2 kl 算法示意圖分解 Mdd 算法解算法在對網(wǎng)絡(luò)進(jìn)行動態(tài)分解的過程中，網(wǎng)絡(luò)中剩余節(jié)點(diǎn)中都會進(jìn)行更新，然而已被移除的節(jié)點(diǎn)的信息卻完全沒有人[51]針對 k-shell 分解方法僅僅考慮了網(wǎng)絡(luò)剩余度 kr的影節(jié)點(diǎn)外部度 ke(即為節(jié)點(diǎn)移除已分解的節(jié)點(diǎn)后，該節(jié)點(diǎn)耗設(shè)計了一個帶可調(diào)參數(shù) 的混合度分解方法，如式(2-11i i iMdd kr k e，Mdd 算法與 k-shell 分解算法一致，只考慮了節(jié)點(diǎn)的剩法與度中心性算法卻是相同的。所以，參數(shù) 的值在 0法中的殼值也不在是整數(shù)，可以更好的對節(jié)點(diǎn)進(jìn)行排序的理解混合度分解 Mdd 算法，下面將根據(jù)圖 2-3 簡單圖程描述，其中參數(shù) =0.7取，具體步驟如下。

圖 2-3 混合度分解 MDD 算法示意圖，取自文獻(xiàn)[51]4 影響力傳播模型4.1 獨(dú)立級聯(lián) IC 模型獨(dú)立級聯(lián)(Independent Cascade Midel)模型[52]在當(dāng)前研究中使用范圍最廣型首先按照節(jié)點(diǎn)在網(wǎng)絡(luò)信息傳遞中的角色將其分成兩種，在傳遞中接受信息進(jìn)行傳遞的節(jié)點(diǎn)為激活節(jié)點(diǎn)。如果未參與信息傳遞過程則為未激活節(jié)點(diǎn)。在級聯(lián)模型中，網(wǎng)絡(luò)的每條邊都會被賦予一個權(quán)重uvp ，表示節(jié)點(diǎn) u 通過邊u率uvp 影響到節(jié)點(diǎn)v。該模型具體傳播過程如下。(1) 首先定義網(wǎng)絡(luò)中，節(jié)點(diǎn)的狀態(tài)要么是激活狀態(tài)，要么就是未激活狀態(tài)且節(jié)點(diǎn)的狀態(tài)被激活后，不能在變成未激活狀態(tài)；(2) 經(jīng)過一段傳播時間內(nèi)，如果節(jié)點(diǎn) v 的非激活狀態(tài)鄰居節(jié)點(diǎn) w 變?yōu)榧せ�，那么�?jié)點(diǎn) w 對節(jié)點(diǎn) v 的激活成功的概率是vwp ，相應(yīng)的，激活失敗的概率 p。需要注意的是，當(dāng)節(jié)點(diǎn) w 試圖激活節(jié)點(diǎn) v 卻失敗時，那么以后節(jié)點(diǎn)

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 顧亦然;王兵;孟繁榮;;一種基于K-Shell的復(fù)雜網(wǎng)絡(luò)重要節(jié)點(diǎn)發(fā)現(xiàn)算法[J];計算機(jī)技術(shù)與發(fā)展;2015年09期

2 田占偉;王亮;劉臣;;基于復(fù)雜網(wǎng)絡(luò)的微博信息傳播機(jī)理分析與模型構(gòu)建[J];情報科學(xué);2015年09期

3 李靜茹;喻莉;趙佳;;加權(quán)社交網(wǎng)絡(luò)節(jié)點(diǎn)中心性計算模型[J];電子科技大學(xué)學(xué)報;2014年03期

4 任曉龍;呂琳媛;;網(wǎng)絡(luò)重要節(jié)點(diǎn)排序方法綜述[J];科學(xué)通報;2014年13期

5 曹學(xué)艷;段飛飛;方寬;張仙;李仕明;;網(wǎng)絡(luò)論壇視角下突發(fā)事件輿情的關(guān)鍵節(jié)點(diǎn)識別及分類研究[J];圖書情報工作;2014年04期

6 田家堂;王軼彤;馮小軍;;一種新型的社會網(wǎng)絡(luò)影響最大化算法[J];計算機(jī)學(xué)報;2011年10期

本文編號：2757702