[发明专利]一种在动态大规模社交网络中发现关键人物的方法

说明书

本发明公开了一种在动态大规模社交网络中发现关键人物的方法，属于数据挖掘和社交网络分析领域。所述方法首先进行节点标号与参数k选择，然后在确定的局部网络进行节点间相互影响力计算；再计算单节点的重要性指标，依据任务类型找到关键人物。本发明提出了万有影响力的概念并给出局部网络中计算两个节点间万有影响力和重要性指标值的公式，在大规模动态社交网络中有优势；该方法根据任务类型的不同可以有不同的计算结果处理策略，并可以通过调整参数k来平衡时间复杂度和准确率。

技术领域

本发明涉及复杂网路中节点重要性指标计算和动态大规模社交网络中关键人物发现的方法，属于数据挖掘和社交网络分析领域。

背景技术

近年来，越来越多的人开始使用像微博、推特和脸书等在线社交网络应用，使得社交网络数据总量呈爆发式增长；同时，网络规模的快速增长导致了网络结构的动态变化。用户可以在这些社交网络平台上交换和共享信息，而不同的用户所具备的影响力是各不相同的，所以识别社交网络中的关键人物是有现实意义的。

在研究的起步阶段，传统的中心度指标被广泛使用。其中，最简单的是度中心度：仅仅依据一个节点的邻居节点个数来衡量这个节点的重要性程度。另外两个被广泛使用的传统中心度指标是接近中心度和介数中心度。接近中心度使用当前节点到所有其他节点最短路径长度的平均值作为评价标准。介数中心度基于当前节点落在所有节点对间最短路径上的次数来比较节点的重要性。

由于传统的中心度指标的适用性不强，研究者致力于提取复杂网络中高度互连的部分子网。K-shell分解方法就是这一方向的杰出成果：通过迭代地移出度中心度小于等于k的节点直到网络中不再包含度中心度小于等于k的节点，并将这些节点的K-shell指标值赋为k，然后继续移出度中心度小于等于k+1的节点直到网络中不再有节点时算法结束。Dorogovtsev等人在2006年提出了K-core分解来描述真实复杂网络的拓扑结构(参考文献【1】：S.N.Dorogovtsev,A.V.Goltsev,and J.F.F.Mendes.K-core organization ofcomplex networks,Physical review letters,vol.96,no.4,p.040601,2006.)。为了提高K-shell方法的准确度，A.Zeng等人在2013年提出了混合度分解方法：通过自定义新的混合度指标来作为分解网络的依据(参考文献【2】：D.-B.Chen,R.Xiao,A.Zeng,and Y.-C.Zhang.Path diversity improves the identification of influential spreaders,EPL(Europhysics Letters),vol.104,no.6,p.68006,2013.)。

Domingos和Richardson等人在2002年将影响力最大化作为一个算法问题，提出了一个从协同过滤数据库中挖掘社交网络模型的概率性算法(参考文献【3】：M.Richardsonand P.Domingos,Mining knowledge-sharing sites for viral marketing,inProceedings of the eighth ACM SIGKDD international conference on Knowledgediscovery and data mining.ACM,2002,pp.61–70.)，并将这一模型应用于最优化市场决定上。这是一个理论问题，对应的实际问题是如何在现实复杂网络中识别关键节点。