[发明专利]基于神经网络的社会网络影响力预测及最大化系统与方法

说明书

技术领域

本发明涉及基于神经网络的社会网络影响力预测及最大化系统与方法，属于网络科学技术领域。

技术背景

社会网络节点影响力研究是社会网络分析的关键问题之一，对于传统意义上社会网络影响力的研究主要基于已知社会网络节点的属性、节点之间的社交关系，通过图论、建模和优化等方式，研究网络结构中心性评价指标、链路预测及影响力最大化。

随着互联网的发展以及人类互动和沟通需求的扩展，研究人员也有机会在大量现实社会网络上对影响力进行分析和建模。然而随着人们逐渐意识到隐私的重要性及相应部门、平台采取了对用户隐私的保护，想要完整的获取某一社会网络结构及其内部节点间具体的关系变得越来越困难。本质上，社交网络只是人类社会在网络上的映射，但是网络的传播速度消除了现实社会信息传递的成本和时间，这使得人与人之间复杂的连接性具备了神经网络的特性——任何一点的信息都可以在极短时间指数级扩散并让所有点做出反应。如何利用神经网络与社会网络的共通性，在未知社会网络结构条件下研究社会网络影响力问题成为了新的热点。

本发明将神经网络与社会网络相结合，利用神经网络对未知结构的社会网络进行学习分析，并能对社会网络影响力关系做出预测，用基于神经网络模型的方法做社会网络影响力最大化计算。

发明内容

本发明的目的在于针对传统的社会网络影响力研究需要已知网络结构的缺点，提供基于神经网络的社会网络影响力预测及其最大化计算方法，该方法通过神经网络对节点之间部分影响力关系的学习，可以预测社会网络节点间影响力关系和求取社会网络影响力最大化的方法。该方法不仅可以对未知网络结构的社会网络做影响力研究，同时也为影响力研究提供了新的方法和思路。

本发明基于神经网络的社会网络影响力预测及最大化系统与方法，包括基于神经网络的影响力预测及其最大化计算系统和基于神经网络的影响力预测及其最大化计算方法；

其中，基于神经网络的影响力预测和影响力最大化计算系统，简称该计算系统，包括预处理模块、神经网络学习模块、影响力预测和影响力最大化计算模块；

其中，预处理模块完成对网络的格式及规模为主的格式化，并生成训练集；神经网络学习模块将预处理模块生成的训练集作为输入，对此训练集进行学习后生成神经网络模型；影响力预测和影响力最大化计算模块通过神经网络学习模块生成的神经网络模型进行影响力预测和影响力最大化计算；

该计算系统中各模块连接关系如下：

预处理模块与神经网络学习模块相连，神经网络学习模块与影响力预测和影响力最大化计算模块相连；

该计算系统中各模块功能是：

预处理模块完成对网络的格式化，根据影响力传播模型生成神经网络的训练集和测试集；神经网络学习模块完成对训练集的学习；影响力预测和影响力最大化计算模块根据学习到的模型对网络里节点之间的影响力进行预测，求取影响力最大化集合。

基于神经网络的影响力预测和影响力最大化计算方法，通过以下步骤实现：

步骤1、读取社会网络模型，将社会网络模型中节点、边、边与边的权重、节点被激活的阈值格式化；

步骤2、生成训练集；

步骤2.1从社会网络模型中随机抽取节点，组成种子集；

步骤2.2使用线性阈值模型模拟影响力的传播，获得种子集在社会网络模型里影响力关系，即结果集；

步骤2.3格式化种子集和结果集，将种子集作为训练集的输入，结果集作为训练集的输出。

步骤3、调整神经网络参数，使用步骤2得到的训练集进行神经网络学习，获得学习到的神经网络模型；

步骤4、使用步骤3得到的神经网络模型，对社会网络的影响力进行预测，并评判预测准确率，具体为：

步骤4.1生成节点集合S，使用步骤3得到的神经网络模型对节点集合S的影响力进行预测；

步骤4.2读取社会网络模型，计算S的影响力；

步骤4.3将步骤4.1和步骤4.2得到的结果相比较，评判神经网络模型预测的准确率；

步骤5、使用步骤3得到的神经网络模型，用贪婪算法计算小规模社会网络影响力最大化集合，具体为：

步骤5.1初始化贪婪算法节点集合GS，默认加入小规模社会网络中编号第一个的节点；

步骤5.2遍历小规模社会网络中的节点，分别与GS组成集合，使用神经网络模型判断每个集合的影响力大小，选择影响力最大的集合，将该节点加入G中；

步骤5.3重复步骤5.2，直到GS的大小达到指定大小；