本文關(guān)鍵詞：在線社交網(wǎng)絡(luò)社會影響傳播與影響最大化問題研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著社交網(wǎng)站、博客、微博等網(wǎng)絡(luò)應(yīng)用的流行,各種各樣的在線社交網(wǎng)絡(luò)產(chǎn)生了。在社交網(wǎng)絡(luò)中,用戶既是信息的接受者,也是信息的制造者和傳播者。這就為社交網(wǎng)絡(luò)中信息的高速傳播創(chuàng)造了條件。現(xiàn)在,社交網(wǎng)絡(luò)已經(jīng)成為一個巨大的信息傳播平臺,使得信息可以在短時間內(nèi)影響很多的人。為了充分發(fā)揮社交網(wǎng)絡(luò)作為信息傳播平臺的效用,社交網(wǎng)絡(luò)面臨兩個挑戰(zhàn),即社會影響傳播模型和影響最大化。前者是對社會影響在社交網(wǎng)絡(luò)中的傳播過程建模,后者則給出了在大規(guī)模社交網(wǎng)絡(luò)中有效尋找最具影響力的節(jié)點的方法。本文以在線社交網(wǎng)絡(luò)的應(yīng)用為背景,針對社交網(wǎng)絡(luò)傳播模型和影響最大化開展的研究工作。首先,對社交網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)問題進行研究,基于社交網(wǎng)絡(luò)中信息傳播的局部性,提出了一種基于信息傳播的社區(qū)發(fā)現(xiàn)算法DC_ID。該算法分為局部社區(qū)發(fā)現(xiàn)與局部社區(qū)合并兩個階段。在局部社區(qū)發(fā)現(xiàn)過程中,首先估算網(wǎng)絡(luò)中各個節(jié)點的影響力,然后選取影響力較大的節(jié)點作為局部社區(qū)的核心,按照傳播路徑,逐層擴展,從而發(fā)現(xiàn)以其為核心的局部社區(qū)。在局部社區(qū)合并階段,本文用組合熵估計兩個局部社區(qū)的親密度。當(dāng)兩個局部社區(qū)的組合熵高于某個提前設(shè)定的合并閾值時,該算法將兩個社區(qū)合并在一起,從而發(fā)現(xiàn)整個網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)。其次,對于社交網(wǎng)絡(luò)影響最大化算法效率較低的問題,基于社交網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu),提出了一種影響最大化算法CGINA。把社交網(wǎng)絡(luò)中的信息傳播看作各個社區(qū)之間的合作博弈,根據(jù)各個社區(qū)在信息傳播博弈中的Shapley值,確定各個社區(qū)待發(fā)現(xiàn)的種子節(jié)點數(shù)。然后,在各個社區(qū)中挖掘指定數(shù)目的種子節(jié)點。再次,對基于節(jié)點信息偏好的影響最大化問題進行研究,基于網(wǎng)絡(luò)中的節(jié)點對于不同主題信息的不同偏好,提出了一種基于信息主題偏好的2階段影響節(jié)點挖掘算法L_GAUP。第一階段,基于用戶對于特定主題的偏好值,便可以得到對于待傳播信息主題的易感染節(jié)點網(wǎng)絡(luò);與其他節(jié)點相比,易感染節(jié)點網(wǎng)絡(luò)中的節(jié)點具有更高的偏好值。第二階段,本算法利用貪心策略在易感染節(jié)點網(wǎng)絡(luò)中挖掘影響節(jié)點。然后,考慮到負面影響在網(wǎng)絡(luò)中傳播的情況,將負面影響傳播集成到經(jīng)典的線性閾值模型中,提出一種集成負面影響傳播的線性閾值模型的擴展模型LTN,并對該模型下影響函數(shù)的單調(diào)性和子模性給出相應(yīng)證明�；谶@些性質(zhì),提出了一種近似因子為1-1/e的貪心算法和三種改進的算法LTN_New Greedy、LTN_CELF和LTN_Mixed Greedy。最后,基于競爭性的信息傳播模型COICM(Campaign-Oblivious Independent Cascade Model,COICM),研究了該模型下的影響抑制最大化問題。為提高算法的效率,基于信息傳播的局部性,提出了一種基于社區(qū)結(jié)構(gòu)的CB_IBM算法。
【關(guān)鍵詞】：在線社交網(wǎng)絡(luò) 影響傳播模型 影響最大化 社區(qū)發(fā)現(xiàn) 信息偏好 負面影響傳播 競爭性社會影響
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP393.092;G206
【目錄】：

• 摘要5-7
• ABSTRACT7-12
• 第1章 緒論12-26
• 1.1 研究的目的和意義12-14
• 1.2 國內(nèi)外研究現(xiàn)狀及分析14-22
• 1.2.1 社區(qū)發(fā)現(xiàn)算法現(xiàn)狀分析14-17
• 1.2.2 社會影響傳播模型現(xiàn)狀分析17-18
• 1.2.3 影響最大化問題現(xiàn)狀分析18-22
• 1.3 本論文研究內(nèi)容22-24
• 1.3.1 影響最大化算法的改進策略研究22-23
• 1.3.2 基于社會影響主題偏好的影響最大化問題研究23
• 1.3.3 基于競爭環(huán)境的影響抑制最大化問題研究23-24
• 1.4 論文結(jié)構(gòu)24-26
• 第2章 基于信息傳播的社區(qū)發(fā)現(xiàn)問題研究26-48
• 2.1 引言26-28
• 2.2 相關(guān)概念28-29
• 2.3 基于信息傳播的社區(qū)發(fā)現(xiàn)算法設(shè)計29-40
• 2.3.1 局部社區(qū)發(fā)現(xiàn)30-36
• 2.3.2 局部社區(qū)合并36-38
• 2.3.3 DC_ID算法的實現(xiàn)38-39
• 2.3.4 復(fù)雜性分析39-40
• 2.4 實例分析40-42
• 2.5 實驗與仿真分析42-46
• 2.5.1 數(shù)據(jù)集42-43
• 2.5.2 評價指標43-44
• 2.5.3 實驗效果及分析44-46
• 2.6 本章小結(jié)46-48
• 第3章 基于社區(qū)結(jié)構(gòu)的影響最大化問題研究48-59
• 3.1 引言48
• 3.2 協(xié)作博弈和SHAPLEY值48-49
• 3.3 基于社區(qū)結(jié)構(gòu)的影響最大化算法49-53
• 3.3.1 信息傳播合作博弈50-51
• 3.3.2 每個社區(qū)待挖掘關(guān)鍵節(jié)點數(shù)的確定51
• 3.3.3 橋節(jié)點的發(fā)現(xiàn)51
• 3.3.4 影響節(jié)點的發(fā)現(xiàn)51-53
• 3.3.5 CGINA算法的時間復(fù)雜度分析53
• 3.4 實驗53-57
• 3.4.1 實驗環(huán)境53-54
• 3.4.2 實驗結(jié)果54-57
• 3.5 本章小結(jié)57-59
• 第4章 基于信息偏好的影響最大化問題研究59-75
• 4.1 引言59-60
• 4.2 E_IC模型及其影響最大化問題60-62
• 4.2.1 E_IC模型60-61
• 4.2.2 E_IC模型的性質(zhì)61-62
• 4.2.3 基于E_IC模型的影響最大化問題62
• 4.3 算法設(shè)計62-68
• 4.3.1 用戶偏好的計算62-64
• 4.3.2 基于用戶信息偏好的影響最大化算法L_GAUP64-68
• 4.4 實驗分析68-73
• 4.4.1 實驗環(huán)境69-70
• 4.4.2 易感染閾值l對L_GAUP算法的影響70-71
• 4.4.3 L_GAUP與GAUP和CELF的比較71-73
• 4.5 本章小結(jié)73-75
• 第5章 集成負面影響傳播的影響最大化問題研究75-94
• 5.1 引言75
• 5.2 相關(guān)文獻75-76
• 5.2.1 影響傳播模型75-76
• 5.2.2 影響最大化問題76
• 5.3 LTN模型及其性質(zhì)76-79
• 5.3.1 LTN模型76-78
• 5.3.2 LTN模型的性質(zhì)78-79
• 5.4 基于LTN模型的影響最大化算法79-89
• 5.4.1 KK_Greedy算法80-81
• 5.4.2 KK_Greedy算法的改進81-89
• 5.5 實驗89-93
• 5.5.1 數(shù)據(jù)集90
• 5.5.2 實驗結(jié)果90-93
• 5.6 本章小結(jié)93-94
• 第6章 基于競爭環(huán)境的影響抑制最大化問題研究94-123
• 6.1 引言94-95
• 6.2 相關(guān)工作95-102
• 6.2.1 影響最大化問題95-97
• 6.2.2 影響傳播模型97-102
• 6.3 影響抑制最大化問題102-104
• 6.3.1 問題定義102-103
• 6.3.2 IBM問題的相關(guān)性質(zhì)103-104
• 6.4 算法設(shè)計104-115
• 6.4.1 基于貪心策略的IBM算法104-106
• 6.4.2 基于社區(qū)結(jié)構(gòu)的IBM算法CB_IBM106-115
• 6.5 實驗115-121
• 6.5.1 實驗環(huán)境115-116
• 6.5.2 帶有Greedy算法的實驗結(jié)果116-119
• 6.5.3 不包含Greedy算法的實驗結(jié)果119-120
• 6.5.4 影響閾值η 對算法CB_IBM的作用120-121
• 6.6 本章小結(jié)121-123
• 結(jié)論123-125
• 參考文獻125-133
• 攻讀博士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果133-135
• 致謝135-136
• 作者簡介136

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 何東曉;周栩;王佐;周春光;王U

本文編號：280911