【摘要】：復雜網(wǎng)絡是指具有小世界、無標度等部分或全部性質(zhì)的網(wǎng)絡。社會生活的各個領(lǐng)域都可抽象為復雜網(wǎng)絡,如社會關(guān)系網(wǎng)、生物網(wǎng)絡、國際金融網(wǎng)絡等都具有復雜網(wǎng)絡的特性。因此復雜網(wǎng)絡的研究對現(xiàn)實社會具有重大的理論價值及實踐意義。本文主要研究復雜網(wǎng)絡的節(jié)點重要性排序和影響最大化兩方面問題,下面將針對這兩個問題進行論述。首先,提出基于三角鄰域與k-shell節(jié)點重要性排序算法,該算法解決了因k-shell分解算法具有粗�；匦�,使不同重要程度的節(jié)點具有相同的k-shell值,且沒有考慮節(jié)點傳播信息時的重疊效應等問題。針對以上問題,引入三角鄰域相似度,同時考慮節(jié)點的局部和全局屬性,以期充分評估節(jié)點的重要程度,提高算法的準確率及有效性。其次,為使信息更快、更廣的傳播,提出一種基于社團混合式影響最大化算法。解決了因傳統(tǒng)爬山貪婪算法的計算成本偏高,啟發(fā)式算法計算精度低等問題。針對以上問題,綜合考慮網(wǎng)絡的社團結(jié)構(gòu)及社團間連接節(jié)點特性,同時融合節(jié)點在社團的自身影響力及與社團其他節(jié)點的連接強度,以期得到有效及準確的種子集,使信息能夠快速傳播至網(wǎng)絡。最后,分別將本文所提的兩種算法使用不同的評價標準,與其他算法進行對比仿真實驗,實驗表明基于三角鄰域節(jié)點與k-shell重要性排序算法的排序結(jié)果優(yōu)于其他算法,基于社團混合式影響最大化算法所選取的種子集比其他算法能使信息更快、更廣的傳播。
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP301.6;O157.5
【圖文】：

但 k-shell 分解算法也存在一些不足。如 k-shell 分解算法應用于網(wǎng)絡。在樹型結(jié)構(gòu)和 發(fā)現(xiàn)有影響傳播者能力有限。一般地，從 k-s度出發(fā)，發(fā)現(xiàn)在不同的實際網(wǎng)絡中核心節(jié)點比過大量的模擬實驗，發(fā)現(xiàn)事實并非如此。在一，而其他節(jié)點的傳播效率較低。在網(wǎng)絡中，每 k-shell 分解算法會給大部分節(jié)點賦予相同的值3-1 簡單網(wǎng)絡所示， ks 1的節(jié)點有{5,6,7,11}，點有{1,2,3,4}，不能準確劃分每個節(jié)點在網(wǎng)絡角簡單網(wǎng)絡傳播信息時出現(xiàn)重疊效應影響傳播信息的同時，節(jié)點 2 收到信息會向節(jié)點 1、3、接收過此信息，以此類推，信息將會在節(jié)點 1，信息在這個循環(huán)中不斷重復傳播，有損信息

圖 3-2 三角關(guān)系網(wǎng)與 k-shell 重要性排序算法網(wǎng)絡中節(jié)點影響力與節(jié)點的度有關(guān)，節(jié)點的張藝興的新浪微博賬號擁有 2753 萬的粉絲 9710 萬的粉絲關(guān)注量。直觀看，謝娜的公性指標描述節(jié)點的局部性質(zhì)和節(jié)點自身影節(jié)點對節(jié)點的影響。k-shell 分解算法考慮網(wǎng)絡的重要位置，ks值小的節(jié)點位于網(wǎng)絡許多ks值相同的節(jié)點集合，使得不同影響鍵節(jié)點的排序序列。本算法不僅考慮節(jié)點點對節(jié)點的影響及為避免信息的重復傳播域相似度提高信息傳播效率。

第三章 基于三角鄰域與 k-shell 重要性排序算法節(jié)點加入到初始種子集。第 16 行代碼是輸間復雜度則為 O (n)。綜上所述，TNK 算法進行更準確地排序。

【參考文獻】

相關(guān)期刊論文 前2條

1 田艷;劉祖根;;利用KSN算法發(fā)現(xiàn)網(wǎng)絡中有影響力的結(jié)點[J];計算機科學;2015年S2期

2 田家堂;王軼彤;馮小軍;;一種新型的社會網(wǎng)絡影響最大化算法[J];計算機學報;2011年10期

本文編號：2763469