【摘要】：復(fù)雜網(wǎng)絡(luò)是指具有小世界、無標(biāo)度等部分或全部性質(zhì)的網(wǎng)絡(luò)。社會(huì)生活的各個(gè)領(lǐng)域都可抽象為復(fù)雜網(wǎng)絡(luò),如社會(huì)關(guān)系網(wǎng)、生物網(wǎng)絡(luò)、國際金融網(wǎng)絡(luò)等都具有復(fù)雜網(wǎng)絡(luò)的特性。因此復(fù)雜網(wǎng)絡(luò)的研究對現(xiàn)實(shí)社會(huì)具有重大的理論價(jià)值及實(shí)踐意義。本文主要研究復(fù)雜網(wǎng)絡(luò)的節(jié)點(diǎn)重要性排序和影響最大化兩方面問題,下面將針對這兩個(gè)問題進(jìn)行論述。首先,提出基于三角鄰域與k-shell節(jié)點(diǎn)重要性排序算法,該算法解決了因k-shell分解算法具有粗粒化特性,使不同重要程度的節(jié)點(diǎn)具有相同的k-shell值,且沒有考慮節(jié)點(diǎn)傳播信息時(shí)的重疊效應(yīng)等問題。針對以上問題,引入三角鄰域相似度,同時(shí)考慮節(jié)點(diǎn)的局部和全局屬性,以期充分評估節(jié)點(diǎn)的重要程度,提高算法的準(zhǔn)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(tuán)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(jì)算成本偏高,啟發(fā)式算法計(jì)算精度低等問題。針對以上問題,綜合考慮網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)及社團(tuán)間連接節(jié)點(diǎn)特性,同時(shí)融合節(jié)點(diǎn)在社團(tuán)的自身影響力及與社團(tuán)其他節(jié)點(diǎn)的連接強(qiáng)度,以期得到有效及準(zhǔn)確的種子集,使信息能夠快速傳播至網(wǎng)絡(luò)。最后,分別將本文所提的兩種算法使用不同的評價(jià)標(biāo)準(zhǔn),與其他算法進(jìn)行對比仿真實(shí)驗(yàn),實(shí)驗(yàn)表明基于三角鄰域節(jié)點(diǎn)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(tuán)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(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：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(yīng)用于網(wǎng)絡(luò)。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(shí)際網(wǎng)絡(luò)中核心節(jié)點(diǎn)比過大量的模擬實(shí)驗(yàn)，發(fā)現(xiàn)事實(shí)并非如此。在一，而其他節(jié)點(diǎn)的傳播效率較低。在網(wǎng)絡(luò)中，每 k-shell 分解算法會(huì)給大部分節(jié)點(diǎn)賦予相同的值3-1 簡單網(wǎng)絡(luò)所示， ks 1的節(jié)點(diǎn)有{5,6,7,11}，點(diǎn)有{1,2,3,4}，不能準(zhǔn)確劃分每個(gè)節(jié)點(diǎn)在網(wǎng)絡(luò)角簡單網(wǎng)絡(luò)傳播信息時(shí)出現(xiàn)重疊效應(yīng)影響傳播信息的同時(shí)，節(jié)點(diǎn) 2 收到信息會(huì)向節(jié)點(diǎn) 1、3、接收過此信息，以此類推，信息將會(huì)在節(jié)點(diǎn) 1，信息在這個(gè)循環(huán)中不斷重復(fù)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(luò)中節(jié)點(diǎn)影響力與節(jié)點(diǎn)的度有關(guān)，節(jié)點(diǎn)的張藝興的新浪微博賬號(hào)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(biāo)描述節(jié)點(diǎn)的局部性質(zhì)和節(jié)點(diǎn)自身影節(jié)點(diǎn)對節(jié)點(diǎn)的影響。k-shell 分解算法考慮網(wǎng)絡(luò)的重要位置，ks值小的節(jié)點(diǎn)位于網(wǎng)絡(luò)許多ks值相同的節(jié)點(diǎn)集合，使得不同影響鍵節(jié)點(diǎn)的排序序列。本算法不僅考慮節(jié)點(diǎn)點(diǎn)對節(jié)點(diǎn)的影響及為避免信息的重復(fù)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(diǎn)加入到初始種子集。第 16 行代碼是輸間復(fù)雜度則為 O (n)。綜上所述，TNK 算法進(jìn)行更準(zhǔn)確地排序。

【參考文獻(xiàn)】

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(luò)中有影響力的結(jié)點(diǎn)[J];計(jì)算機(jī)科學(xué);2015年S2期

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

本文編號(hào)：2763469