本文關(guān)鍵詞：復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)影響力及影響力傳播相關(guān)問題研究

  更多相關(guān)文章： 社會網(wǎng)絡(luò) 節(jié)點(diǎn)排序 影響力最大化 信息傳播

【摘要】：復(fù)雜網(wǎng)絡(luò)的研究包括很多問題:如對網(wǎng)絡(luò)中節(jié)點(diǎn)的影響力排名,鏈路預(yù)測,社團(tuán)發(fā)現(xiàn),信息傳播影響力最大化等等。對于在線社會網(wǎng)絡(luò)影響力的研究也一直是數(shù)據(jù)挖掘領(lǐng)域的研究熱點(diǎn),各種大型社交媒體的興起與迅速發(fā)展為社會網(wǎng)絡(luò)提供了大量數(shù)據(jù)。如何快速有效的識別網(wǎng)絡(luò)中有影響力的節(jié)點(diǎn)并進(jìn)行有效利用已經(jīng)成為一個亟待解決的問題。本文針對節(jié)點(diǎn)的重要性排名和影響力最大化問題做出研究,主要研究內(nèi)容如下。首先,本文提出了一種新的網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)識別算法DKN,該算法將節(jié)點(diǎn)的局部度屬性,節(jié)點(diǎn)在網(wǎng)絡(luò)中的位置,以及節(jié)點(diǎn)的傳播能力進(jìn)行綜合考慮,提出DKN指標(biāo)衡量網(wǎng)絡(luò)中節(jié)點(diǎn)的重要程度,并通過實驗與其他節(jié)點(diǎn)排名方法進(jìn)行比較。隨后本文針對貪心算法時間復(fù)雜度過高,度啟發(fā)式算法容易造成傳播節(jié)點(diǎn)重合的不足,提出了基于K-shell和度的啟發(fā)式算法KDHA,KDHA算法不僅解決了貪心算法時間復(fù)雜度高的問題,也避免了度啟發(fā)式算法選擇初始節(jié)點(diǎn)可能出現(xiàn)節(jié)點(diǎn)重疊的現(xiàn)象,而且將K-shell算法推廣到應(yīng)用于解決多源節(jié)點(diǎn)傳播的影響力最大化問題。最后,本文在真實社會網(wǎng)絡(luò)進(jìn)行了實驗,并從傳播效果和時間復(fù)雜度兩方面將KDHA算法與常用算法進(jìn)行比較,實驗表明KDHA算法能在時間復(fù)雜度很小的情況下得到較好的傳播效果。
【關(guān)鍵詞】：社會網(wǎng)絡(luò) 節(jié)點(diǎn)排序 影響力最大化 信息傳播
【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】：2015
【分類號】：G206;O157.5
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-14
• 1.1 課題研究背景與研究意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-13
• 1.3 課題的主要研究內(nèi)容13
• 1.4 論文的組織結(jié)構(gòu)13-14
• 第2章 相關(guān)知識14-25
• 2.1 復(fù)雜網(wǎng)絡(luò)14-16
• 2.1.1 小世界特性14-15
• 2.1.2 復(fù)雜網(wǎng)絡(luò)圖相關(guān)概念15-16
• 2.2 重要節(jié)點(diǎn)識別算法16-18
• 2.2.1 常用中心性指標(biāo)16-17
• 2.2.2 K-shell算法17-18
• 2.2.3 評價指標(biāo)18
• 2.3 影響力最大化問題18-19
• 2.3.1 問題定義18-19
• 2.3.2 評價指標(biāo)19
• 2.3.3 問題難度19
• 2.4 影響力傳播模型19-22
• 2.4.1 獨(dú)立級聯(lián)模型20-21
• 2.4.2 線性閾值模型21
• 2.4.3 SIR模型21-22
• 2.5 常用影響力最大化算法22-24
• 2.5.1 貪心算法22-23
• 2.5.2 啟發(fā)式算法23-24
• 2.6 本章小結(jié)24-25
• 第3章 一種新的網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)識別算法25-39
• 3.1 問題提出25-26
• 3.2 相關(guān)概念26-29
• 3.2.1 符號定義26
• 3.2.2 節(jié)點(diǎn)重要性度量指標(biāo)26-28
• 3.2.3 平均最短路徑長度28-29
• 3.3 一種新的關(guān)鍵節(jié)點(diǎn)識別算法（DKN）29-32
• 3.3.1 算法思想29-30
• 3.3.2 算法偽代碼及描述30-32
• 3.4 實驗方法32-33
• 3.4.1 實驗結(jié)果分析32-33
• 3.5 實驗結(jié)果與分析33-38
• 3.5.1 實驗數(shù)據(jù)33
• 3.5.2 實驗方法及評價指標(biāo)33-34
• 3.5.3 實驗結(jié)果與分析34-38
• 3.6 本章小結(jié)38-39
• 第4章 基于K-shell和度的影響力最大化算法39-51
• 4.1 問題的提出39
• 4.2 相關(guān)概念39-41
• 4.2.1 符號定義39-40
• 4.2.2 節(jié)點(diǎn)影響力分析40-41
• 4.3 基于K-shell和度的啟發(fā)式算法41-44
• 4.3.1 算法思想42
• 4.3.2 算法偽代碼42-44
• 4.3.3 時間復(fù)雜度分析44
• 4.4 算法分析與實現(xiàn)44-45
• 4.5 仿真實驗及結(jié)果分析45-50
• 4.6 本章小結(jié)50-51
• 結(jié)論51-53
• 參考文獻(xiàn)53-57
• 致謝57-58
• 作者簡介58

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前8條

1 李曉冉;蔡國永;;社會網(wǎng)絡(luò)個體節(jié)點(diǎn)影響力研究[J];桂林電子科技大學(xué)學(xué)報;2013年04期

2 饒育萍;林競羽;周東方;;網(wǎng)絡(luò)抗毀度和節(jié)點(diǎn)重要性評價方法[J];計算機(jī)工程;2009年06期

3 李棟;徐志明;李生;劉挺;王秀文;;在線社會網(wǎng)絡(luò)中信息擴(kuò)散[J];計算機(jī)學(xué)報;2014年01期

4 吳信東;李毅;李磊;;在線社交網(wǎng)絡(luò)影響力分析[J];計算機(jī)學(xué)報;2014年04期

5 田占偉;隋s，

本文編號：978081