基于群体的影响力最大化分析

发布时间：2021-05-17 14:10

　　随着微博、Facebook等社交网络媒体的普及,社交网络发展为一个平台,在这个平台上人们通过关注、传递信息、分享内容等行为来相互联系,相互影响。社交网络中,同一个群体内的用户具有相似的特征,这些特征可能是结构上的紧密度,也可能是属性上的相似性。用户之间影响力的传播是社交网络分析的另一项重要研究内容。为了解决影响力最大化问题,研究者提出了原始的贪心算法并证明了这一问题是一个NP-hard问题。但是这一算法复杂度太高,需要大量的蒙特卡罗模拟。为了提高算法效率,研究者又提出了基于社区的影响力最大化算法。但是已有的基于社区的影响力最大化在划分社区时仅仅考虑了节点的连接的紧密度,没有考虑节点的传播特性,使得最后在计算影响力传播范围时不能很好的近似,仍需要蒙特卡罗模拟。因此,为了改进基于社区的影响力最大化算法的精度和效率,本文提出基于影响力相似的群体的影响力最大化,利用群体结构计算影响力传播范围。这一类算法首先定义一个能够衡量两个邻节点影响力相似性的度量,然后用聚类的方法划分群体,得到群体结构之后利用群体内节点具有相似影响力的特征近似估计影响力传播范围,找到最具影响力的种子节点。本文的主要工作包括... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
中英文缩略语对照表
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 研究目标和内容
    1.4 论文的组织结构
第二章 相关理论知识
    2.1 群体发现
        2.1.1 群体的形成机理及定义
        2.1.2 群体与传统社区的区别与联系
        2.1.3 群体发现算法介绍
    2.2 影响力最大化
        2.2.1 影响力最大化问题的定义
        2.2.2 经典的影响力传播模型
    2.3 本章小结
第三章 基于影响力相似性的群体发现
    3.1 引言
    3.2 基于影响力局部相似性的群体发现算法
        3.2.1 相似度的选择
        3.2.2 影响力的局部传播过程
        3.2.3 基于新的相似度的群体发现算法
        3.2.4 算法复杂度分析
    3.3 基于全局影响力相似性的群体发现算法
        3.3.1 全局影响力的网络表征
        3.3.2 节点相似度的计算
        3.3.3 节点的聚类过程
        3.3.4 算法的复杂度分析
    3.4 两种基于影响力相似性的群体发现算法的对比
    3.5 本章小结
第四章 基于群体的影响力最大化
    4.1 引言
    4.2 问题定义
    4.3 IGIM算法原理
        4.3.1 相关网络变量介绍
        4.3.2 基于影响力全局相似性的群体发现
        4.3.3 两阶段传播模型
        4.3.4 完整的算法流程
        4.3.5 IGIM算法的时间复杂度
    4.4 实验验证与对比分析
        4.4.1 算法的评估指标
        4.4.2 实验数据集
        4.4.3 IGIM算法与其他影响力最大化算法的对比
    4.5 本章小结
第五章 总结与展望
    5.1 论文总结
    5.2 未来工作展望
参考文献
致谢
攻读硕士学位期间发表或录用的论文



本文编号：3191903