基于社区紧密度和有向无环图的影响力最大化研究

发布时间：2023-03-28 21:17

　　随着在线社交网络的迅速发展,信息进入了网络化的时代,导致信息的扩散方式不断发生着变化。影响力最大化(Influence maximization,IM)作为信息扩散研究中的关键问题,旨在寻找社交网络中最具影响力的用户,以最大程度地扩大影响力。由于该问题在市场营销、广告发布、舆情预警以及社会安定等方面具有重要的应用价值,近年来引起了学术界的广泛研究。针对IM问题,贪心算法首先被提出,该算法具有较高的精度,但同时具有较高的时间复杂度,不能应用在规模较大的网络中。为了解决传统贪心算法的时间复杂度过高的问题,大量IM的近似算法和启发式方法被提出。近年来,一些研究利用小规模社区结构在保证精度的条件下提高运行效率,这些算法通常利用社区中节点的影响来近似其对整个网络的影响。然而,现有的基于社区的方法只考虑社区中的节点数量,忽略了社区中边的连接密度,并且这些方法只能应用于非重叠的社区结构。目前关于影响力最大化的大多数研究只针对同质信息网络,即仅包含一种对象类型和一种关系类型。包含多种对象类型和多种关系类型的异质信息网络更加精准和细致地描述了真实的社会网络,刻画了不同类型对象之间的微妙关系,表达了更丰富...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 同质信息网络中影响力最大化的研究现状
        1.2.2 异质信息网络的研究现状
    1.3 本文主要工作
    1.4 本文组织结构
第二章 相关概念
    2.1 社会网络
        2.1.1 同质信息网络
        2.1.2 异质信息网络
    2.2 社区发现
        2.2.1 非重叠社区发现算法
        2.2.2 重叠社区发现算法
    2.3 信息扩散模型
        2.3.1 独立级联模型
        2.3.2 线性阈值模型
    2.4 本章小结
第三章 同质信息网络中基于社区紧密度的影响力最大化
    3.1 引例
    3.2 问题定义
    3.3 CCIM算法
        3.3.1 影响力度量
        3.3.2 CCIM算法描述
    3.4 本章小结
第四章 异质信息网络中基于DAG的影响力最大化
    4.1 引例
    4.2 问题定义
    4.3 DAGIM算法
        4.3.1 构建DAG
        4.3.2 影响力度量
        4.3.3 DAGIM算法描述
    4.4 本章小结
第五章 实验结果及性能评估
    5.1 实验目的及环境
    5.2 实验准备
        5.2.1 数据集
        5.2.2 对比算法
        5.2.3 评价指标
        5.2.4 扩散模型
    5.3 CCIM算法实验结果及分析
        5.3.1 有效性验证
        5.3.2 算法参数的影响
        5.3.3 社区权重和紧密度的影响
    5.4 DAGIM算法实验结果及分析
        5.4.1 有效性验证
        5.4.2 效率对比
        5.4.3 算法参数的影响
        5.4.4 影响力度量的准确性
        5.4.5 边权重的影响
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间完成的科研成果
致谢



本文编号：3773306