基于Memetic算法和Spark分布式并行计算的社交网络影响最大化研究

发布时间：2021-01-22 01:44

　　随着互联网技术的发展和大数据时代的到来,社交网络已逐渐成为人们进行信息交互和分享的主要媒介。近年来,越来越多的商家和企业开始利用社交网络进行产品推广和宣传。这种新型的营销模式往往能够以更低的成本带来更好的营销效果。影响最大化问题旨在从社交网络中挖掘出一定数量的有影响力的个体并作为信息的传播源,使信息在整个网络中的影响传播范围达到最大。除了在社交网络信息传播研究领域之外,影响最大化问题还被应用于舆论传播监控和传染病防疫等领域。近年来,越来越多的学者投身到影响最大化问题的研究当中,并提出了许多解决方法。这些算法大致可以分为以下三类:基于爬山机制的贪婪算法及其改进算法;基于社交网络特性的启发式算法;基于目标函数的优化算法。其中,贪婪算法及其改进算法具有较高的准确率,但是其运行效率较低,不适合求解大规模社交网络的影响最大化问题。相反,启发式算法具有很高的运行效率,但是在准确度和稳定性方面这些算法表现欠佳。针对上述影响最大化问题及现有算法存在的不足,本文的主要从以下几个方面对社交网络影响最大化问题进行了研究:本文创新性地提出了一种基于社区划分和Memetic算法的社交网络影响最大化算法。该算法充... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景和意义
    1.2 研究现状
    1.3 本文研究内容
    1.4 本文章节安排
第二章 相关概念及理论知识
    2.1 社交网络
        2.1.1 社交网络的基本概念
        2.1.2 社交网络的社区结构特性
    2.2 信息传播模型
        2.2.1 独立级联模型
        2.2.2 权重级联模型
        2.2.3 线性阈值模型
    2.3 影响最大化问题及相关算法
        2.3.1 问题定义
        2.3.2 相关算法
    2.4 本章小结
第三章 基于社区划分和Memetic算法的CMA社交网络影响最大化算法
    3.1 引言
    3.2 CMA算法框架
    3.3 社区划分
        3.3.1 社区划分的意义
        3.3.2 社区划分算法
    3.4 选出候选节点
        3.4.1 选择重要社区
        3.4.2 选出候选节点
    3.5 一种用于社交网络影响最大化问题的Memetic算法
        3.5.1 Memetic算法简介
        3.5.2 MIM算法框架
        3.5.3 编码方式和种群初始化
        3.5.4 遗传操作
        3.5.5 局部搜索算子
    3.6 实验仿真与结果分析
        3.6.1 实验设置
        3.6.2 实验结果分析
        3.6.3 算法参数分析
    3.7 本章小结
第四章 基于Spark分布式并行计算的DP-CMA社交网络影响最大化算法
    4.1 引言
    4.2 Spark分布式并行计算架构
        4.2.1 Spark简介
        4.2.2 GraphX图计算框架
    4.3 基于Spark分布式并行计算的DP-CMA社交网络影响最大化算法
        4.3.1 算法基础
        4.3.2 算法框架
        4.3.3 编码方式和种群初始化
        4.3.4 适应度计算
        4.3.5 遗传操作和局部搜索算子
        4.3.6 迁移算子
    4.4 实验仿真与结果分析
        4.4.1 实验设置
        4.4.2 实验结果分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：2992297