基于前驱后继节点的社会网络影响最大化算法

针对社会网络影响最大化问题,基于挖掘"潜在影响力"节点的策略并结合贪心算法可有效降低问题复杂度,综合考虑了节点与其前驱后继节点的相互影响,对"潜在影响力"进行了重新定义,基于线性阈值模型提出了基于前驱及后继节点的影响最大化算法.实验结果表明:与目前的同类算法相比,该算法具有更好的信息扩散范围.     

基于DynamicRank的重要节点集挖掘算法

为了更为有效地挖掘复杂网络中综合影响力高的节点集、提高重要节点集挖掘算法的准确性,针对节点集中各节点在信息传播中不同程度的相互促进和相互抑制作用,基于DynamicRank算法设计了一种新的级联概率计算模型。通过增强贪心策略,优先从种子集邻居以外的节点中选取备选节点,减小种子集内重叠邻居对信息传播引发的抑制作用;利用级联概率计算模型,增强种子集对信息传播的级联促进作用。在4个实际网络上采用SIR模型进行了测试,实验结果表明,相较于已有重要节点挖掘方法H-index、Degree、DynamicRank、VoteRank和EnRenew,提出的算法挖掘出的节点集具有更高影响力。特别地,在Grid数据集上,本文方法挖掘出的种子集的传播范围比对比算法平均提升了49.3%。提出的算法针对信息传播概率和贪心策略的改进有利于重要节点集的挖掘和识别。     

引入信任度传递机制的影响力最大化节点挖掘

基于渗流理论的影响力最大化节点识别问题没有考虑信任度传播对影响力最大化的影响。利用非回退矩阵图模型,通过引入节点信任度传递函数刻画影响力传播过程中"信任度递减,不信任度递增"现象,并利用渗流理论求解节点联合传播强度指数来刻画节点影响力大小,采用人工网络数据与真实网络数据集对算法的影响力进行了评估分析,与常用启发式算法进行比较验证算法性能,本文算法性能优于其他启发式基准算法。     

一种基于社会势能的网络影响力最大化算法

社会网络影响力最大化问题是对于给定k值,寻找k个具有最大影响范围的节点集.这是一个优化问题并且是NP-完全的.该问题已经被成功地用于解决诸多实际问题,例如社交营销领域,社交广告策略制定等优化问题.文章介绍了社会网络影响力最大化的基本工作原理,从提取知识类型角度详细阐述了社会网络影响力最大化算法的研究现状和进展,鉴于现存的算法不能够有效地给出全局最优解,我们提出了一种基于社会势能的网络影响力最大化算法,利用实验结果揭示算法的有效性和可行性.     

社交网络中基于成本的广告投放策略

为了用有限的广告预算选择合适的初始种子节点以达到尽可能好的广告效应,首先根据节点的粉丝数量对节点成本进行建模,并利用节点对信息的偏好程度和节点间的关注度对影响概率建模,然后根据影响概率和节点成本提出节点平均概率的概念,设计种子节点选择算法AvePA.该算法根据平均概率选择种子节点,其中平均概率综合考虑了节点的成本、出度大小、节点对其粉丝的影响力以及节点与所投放广告之间的相似度多个因素.据此实现社交网络中基于成本的广告投放原型系统,并在6个数据集上进行了对比实验.结果表明:引入覆盖距离可以有效避免影响范围的重叠,扩大影响范围;随着广告预算的增加,综合考虑影响效果和时间效率,AvePA算法的整体性能优于其他算法.     

一种新的基于社区结构的影响最大化方法

基于传播网络的结构性,提出一种新的基于社区结构的影响最大化方法AMICS.该方法先利用已有社区挖掘算法识别出隐藏在网络中的社区结构,然后迭代选择跨越社区数最多的k个节点作为影响的初始传播者最大化影响的社区覆盖.在小型网络和中等规模网络数据集上的实验表明,该算法比传统的影响最大化方法更具优势.     

基于边际性价比的收益影响力最大化算法

传统的影响力最大化算法忽视了病毒式营销过程中的商业收益问题.?现实营销中,商家更加关注如何使用一个固定预算,在合理的时间内选出种子集,最大化营销收益.?为了解决这个问题,提出一种高效的启发式算法.?首先,定义边际性价比衡量用户节点的重要性;其次,分析出贪心算法的节点选取结果为一个自洽序列,提出MCPR(Marginal...     

求解影响最大化问题的一种混合算法

影响最大问题定义为在社会网络中寻找K个初始节点,使得信息传播过程结束后,网络中受影响的节点个数最多。针对传统贪心算法时间复杂度太高的缺点,基于遗传算法提出了IM_GA算法。为了提高算法的运行速度,在计算种子集合的影响范围时,采用其对网络的预期影响力作为衡量指标。为了克服IM_GA算法的早熟现象,在遗传算法中周期性地加入模拟退火算法,提出IM_GA_SA算法。通过实验验证算法的有效性。     

基于关键节点的影响力最大化算法

为解决LDAG( DAG Algorithm Based on Linear Threshold) 算法在处理关于社会网络影响力最大化过程中,优先考虑网络影响力传播模型、忽视社会网络的拓扑结构问题,利用社交网络社区的结构,有针对性地选择影响力传播的关键节点,对LDAG 算法进行了改进。利用关键节点简化了有向无环图的构造过程,保证了其高精度与运行效率高的特点,同时也优化了算法的时间复杂度和空间复杂度。通过两个有效的实验数据集对算法进行验证,结果表明改进的算法可以大幅度降低算法的运行时间,且对算法的精度影响很小。     

考虑用户意愿的符号网络净积极影响力最大化问题

影响力最大化是近年来广泛研究的社交网络的核心问题.然而之前的研究较少考虑用户的意愿以及用户之间的友好或敌对关系.因此综合考虑这些因素,针对符号网络提出了考虑用户意愿的净积极影响力最大化问题,该问题可以描述如下：利用符号网络来刻画用户具有友好(积极)和敌对(消极)关系的社交网络,每个用户对传播的信息有自己的意愿,目标是要从网络中选择k个用户,使得最终的净积极影响的用户数量最多.通过对问题的细致分析,建立了考虑用户意愿的传播模型,证明了该模型下净积极影响力最大化问题是非次模和非单调的,随后给出了基于概率驱动的结构感知的求解算法,通过在三个数据集上的实验表明,利用提出的算法找到的种子集有更好的净积极影响力.     

基于自适应混沌遗传算法的影响力最大化研究

目前,利用智能算法代替贪婪策略求解种子集影响力的方法极大地缩短了运行时间,但一些智能算法因参数设置困难而导致搜索能力不稳定,达不到预期效果,且多数实验仅在小型网络中进行,没有运用到中大型网络.针对此不足,提出一种自适应混沌遗传算法.首先,将一阶容斥激活集引入遗传算法作为适应度函数,目的是在迭代过程中评估种子集的预期影响;然后,利用Logistic混沌序列优化交叉和变异过程中的基因选择;最后,在自适应变异机制下搜索出最优种子集.在4个真实网络上的实验表明,该算法运行效率较高,找到的种子集影响范围较广.     

融合节点影响力与多标签传播的重叠社区发现算法

重叠社区发现是复杂网络分析研究的重要目标之一。针对传统多标签传播算法存在的社区发现结果具有随机性、不稳定性,以及忽视节点影响力对标签传播的影响等问题,提出一种基于节点影响力与多标签传播的能够生成稳定社区的重叠社区发现算法。算法在节点影响力的计算、排序和核心节点识别基础上,通过邻居节点初始标签的再处理和基于平衡系数的节点标签异步更新策略,实现复杂网络重叠社区的有效识别。在真实数据集和人工数据集上的实验综合表明,算法性能优于各对比算法,适用于大规模复杂网络。     

社交网络中求最小正影响支配集的改进算法

网络中求解最小正影响支配集的问题已经被证明是NP难问题,且已有性能较好的贪心求解算法．通过分析现有的贪心近似算法（Wang-Greedy）和贪心启发式算法(Raei-Greedy),融合其贪心策略,提出了1个改进的贪心近似算法(Hybrid-Greedy)．理论分析表明,Hybrid-Greedy仍保持Wang-Greedy的近似比性能和时间复杂度．在一些较大规模的真实社交网络实例中的实验研究表明,Hybrid-Greedy在这些社交网络中所得解的质量较Wang-Greedy和Raei-Greedy有明显提高．     

社交网络中的概率支配集问题

针对一种边权重取值范围为[0,1]的无向带权图,提出在社交网络中有实际应用的概率支配集概念。在图中寻找最少点数的概率支配集称为最小概率支配集问题。证明最小概率支配集问题是NP(非确定性多项式)难问题,表明不太可能存在多项式时间复杂度的精确算法。基于次模函数提出了多项式时间复杂度的贪心近似算法,用于求解最小概率支配集问题,得出近似比结果。在真实的社交网络实例上进行实验,结果表明贪心算法所求的概率支配集中节点个数平均占总节点个数的14%～15%.     

异质社会网中基于信息熵的影响最大化算法

提出了异质社会网中基于信息熵的影响最大化算法（Influence Maximization algorithm based on Information Entropy in Heterogeneous social networks,IMIEH）.首先，考虑不同类型节点所携带信息不同以及不同节点所传递信息不同，提出参与熵和交互熵的概念，进而计算节点间的影响权重；然后，基于线性阈值模型，计算节点的全局影响；最后，根据节点的边际增益选择种子集.实验结果表明，与MPIE,SimPath和DAGIM算法相比，提出算法选择的种子集具有更大的影响范围.     

CNGM:一种新颖的候选网生成算法

提出一种新颖的候选网络生成算法,并提出完全元组集图的概念,该算法通过预处理完全元组集图,建立候选网络索引;利用关键词的非自由元组集名字来查找候选网络索引得到候选网络.本算法使得候选网络的生成利用索引来完成,理论分析和实验结果表明:该算法大大减少了候选网络的生成时间,提高了关键词搜索的效率.     

多边缘服务器协作环境下基于时延感知的服务选择算法

移动边缘计算可为用户提供低时延的服务.然而，随着用户的需求变得日益复杂多样，单个边缘服务器难以满足其需求.因此，多边缘服务器协作环境下的服务选择问题成为服务计算领域的热点难题.本文首先将该问题建模成带约束的最优化问题，然后提出了一种启发式的服务选择算法-LLMES算法.该算法是在边缘服务器网络中根据迪杰斯特拉算法求解当前本地服务器的邻居节点作为候选服务器，并基于低时延多有效服务的贪心选择策略选择为用户提供有效服务最多且时延最小的服务器作为当前最优服务器.从而选择出一组相互协作的边缘服务器集合共同为用户提供服务，即选中一组满足用户需求的服务.最后，实验结果表明本文提出的LLMES算法性能明显优于其他3种具有代表性的算法.     

极大网络寿命的认知无线电网络自组网算法

根据认知无线电网络的特点,提出一种将鱼群算法与图论中极小独立支配集相结合的最大化网络寿命的认知无线电网络自组网算法.该算法分为鱼群大小确定阶段和簇头选举阶段,前者以极小的能量完成节点配置和确定受影响的认知用户范围,后者确保以极小的能量进行通信,极大化网络寿命和簇头选举的公平性.仿真结果表明,该算法的整体消息复杂度为O(n),最坏时间复杂度为O(lg(D+n)),性能优于极大权极小独立支配集MWM IDS算法,可应用于认知无线电网络协议的设计中,以延长网络寿命.     

面向线上-线下异步社会网络的病毒式营销算法

基于双层异步社会网络研究口碑病毒式传播的影响最大化问题,通过扩展经典的独立级联模型,构建相应的影响最大化模型,设计多种基于启发式算法的病毒式营销策略选取种子节点。针对所提算法,从网络传播概率、网络结构和传播异步性等3个方面进行仿真对比研究。结果表明:该设计方法明显优于传统的随机规则和出度规则,但不同方法适用于不同的传播概率和网络结构;随着双层网络传播异步性的增加,各算法营销结果均出现明显下降。     

Hadoop框架下的一种改进的Apriori算法

常见的基于Hadoop框架的Apriori改进算法在统计支持度时有扫描数据集、候选项集剪枝等方面效率低下且集群间的数据传输有较大的时间开销的问题,提出了一种Apriori的改进算法Apriori_Ind.算法运用Hadoop集群,使用先按事务对数据集分块,再将数据集的格式转换为项,事务集的分块处理策略,使算法充分利用分布式计算优势,实现各节点并行的实现候选项集生成与剪枝操作.并利用前项与后项的新结构表示频繁项集,新结构在各节点进行候选项集生成和剪枝时提高算法效率.Apriori_Ind具有减小集群传输代价、加速剪枝等优势.实验表明新算法适合大规模数据挖掘,特别是项的数量较大的情况下,算法性能有明显的提高.