動態(tài)復雜網絡中的影響最大化算法的研究.pdf

1、近年來，社交網絡的快速發(fā)展為廣大用戶提供了豐富的服務，成為結交好友，信息交流，商品推銷等的重要媒介，影響最大化旨在發(fā)現社交網絡中影響力大的節(jié)點集合，在社會網絡分析領域占據重要位置，有著廣泛的實際應用例如市場營銷、廣告發(fā)布等，因此具有很高的研究價值和應用價值。
　　但是，社交網絡用戶數量龐大，網絡拓撲復雜為有影響力的用戶篩選帶來困難，網絡規(guī)模的不斷擴張和進化則讓選擇用戶更是難上加難，所帶來的亟待解決的挑戰(zhàn)就是如何在持續(xù)變化的網絡中快

2、速準確地選取影響力大的用戶。而且社交網絡中信息類型豐富，用戶對此有不同的偏好度，這會影響信息在網絡中的傳播，也會決定選取的種集是否能夠在特定主題下達到最好的效果。同時，社交網站也會使用豐富的形式發(fā)送消息給用戶，社交網站本身也是一個隱含的影響者，在基于主題的社交網絡中如何合理使用網站本身的影響力將成為影響最大化嶄新的問題。
　　針對上述影響最大化研究中的挑戰(zhàn)和問題，本文從以下兩個方面進行研究:
　　(1)針對現有靜態(tài)算法不能適

3、應社會網絡的持續(xù)進化發(fā)展，網絡變化需要重新計算耗時巨大的問題，本文基于影響局部化特征，提出動態(tài)影響最大化算法DIM。算法包含兩個階段:初始種集獲取算法Init_Seed和增量式更新種集算法Inc_Seed。初始種集獲取算法Init_Seed可以確定節(jié)點的影響路徑集合以及初始種集，為下一階段的種集更新做準備。增量式更新算法Inc_Seed可以快速確定改變的影響范圍，僅為受變動影響的節(jié)點重新計算影響力，減少時間開銷。為進一步提高算法的執(zhí)行效

4、率，本文提出兩個剪枝策略:影響力增值剪枝策略和度剪枝策略，提出結合剪枝策略的優(yōu)化算法Opt-DIM，在保證影響范圍的情況下，提高種集選取過程時間效率。
　　(2)考慮用戶對主題的偏好以及網站本身的影響力等因素，已有算法雖對主題感知進行了大量研究，卻未考慮網站本身對影響傳播的推動作用。本文將網站本身表示為外部因素，并提出推薦社交網絡中基于主題的影響最大化算法TIP，結合實際因素確定用戶之間以及網站對用戶的影響概率，以影響路徑為單元計