[发明专利]基于局部影响力计算的影响力阻断最大化方法

说明书

本发明提供了一种基于局部影响力计算的影响力阻断最大化方法，包括如下步骤：确定负影响范围；构造节点局部影响区域；计算节点局部负激活概率；计算节点阻断负影响；迭代选择阻断负影响最大的节点作为正种子；更新节点的阻断负影响。本发明针对社交网络规模大的特点，提出局部负激活概率近似计算动态规划方法，基于计算的局部负激活概率计算节点阻断负影响，基于阻断负影响选择正面种子，适合于快速选择使负影响阻断最大的正种子群。

技术领域

本发明涉及社交网络技术领域，具体地，涉及一种基于局部影响力计算的影响力阻断最大化方法，可用于社交网络信息传播控制。

背景技术

社交网络中的影响力传播分析对社交网络信息传播控制有重要作用。社交网络上谣言等恶意信息传播可能会对经济发展、社会稳定和国家安全等造成重大危害。为了使社交网络成为更可靠的信息传播平台，需要采取有效的策略来减少恶意信息传播的危害。当用户接受针对某个坏信息的好信息后，用户将不再接受该坏信息，因此可以在社交网络上发布好信息来遏制相应的坏信息的传播。传播坏信息的信源称为负面种子群，而传播好信息的信源称为正面种子群。

经对现有技术的文献检索发现，影响力阻断最大化问题在很多传播模型下是NP-hard的，但是其目标函数在有些传播模型下具有子模性，因此贪心算法可以获得1-1/e的近似比。但是计算影响力的阻断范围是很困难的，通常采用蒙特卡洛模拟来估计影响力的阻断范围。然而，为了保证估计精度，需要进行大量蒙特卡洛模拟，因此需要耗费大量时间，不利于在大规模社交网络上即时采取应对恶意信息传播的策略。在影响力最大化相关研究中，有研究者提出在局部结构中近似快速计算影响力范围，影响力最大化和影响力阻断最大化问题有很多相似之处，影响力范围的快速计算方法为影响力阻断范围的快速计算提供了新思路。

给定一个负面种子群，影响力阻断最大化问题旨在发现一个正面种子群来发布正面信息，正面信息和负面信息竞争传播，使负面信息的传播范围的阻断最大。He等人于2012年在国际会议《SDM》上发表题为“Influence blocking maximization in socialnetworks under the competitive linear threshold model”的文章，文中研究竞争线性阈值模型下的影响力阻断最大化问题。他们证明该问题在竞争线性阈值模型下是NP-hard，其目标函数在该模型下具有子模性，因此贪心算法能够获得1-1/e的近似保证比。贪心算法速度太慢，他们基于DAG结构提出了速度更快的算法CLDAG，该算法利用了在DAG结构中能够快速近似计算传播影响的性质。Budak等人于2011年在国际会议《WWW》上发表题为“Limiting the spread of misinformation in social networks”的文章，文中在竞争无意识独立级联模型(COICM)下研究传播阻断最大化问题。他们证明该问题在这两个模型下是NP-hard，并且该问题的目标函数在两个模型下具有子模性，因此贪心算法能够获得1-1/e的近似保证比。但是贪心算法速度太慢，无法适用于大规模社交网络。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于局部影响力计算的影响力阻断最大化方法，速度更快，性能更好。

为达到上述目的，本发明所采用的技术方案如下：

一种基于局部影响力计算的影响力阻断最大化方法，包括如下步骤：

步骤1：输入网络G、负种子群S_N、正种子群规模k，网络每条边赋予一个传播概率；

步骤2：确定负影响传播范围NegS；

步骤3：计算所有节点的初始阻断负影响DecInf(v)；

步骤4：选择阻断负影响最大的节点u；

步骤5：将u加入正种子群S_P，更新所有相关节点的阻断负影响DecInf(v)；