[发明专利]一种在线社交网络中节点相似性与凝聚力并重的信息传播方法

说明书

本发明公开了一种在线社交网络中节点相似性与凝聚力并重的信息传播方法，包括如下内容：(1)在给定拓扑的社交网络中，基于节点的相似性与凝聚力，结合PageRank改进算法，按影响力对节点进行排序，并选择种子节点；(2)设计面向社交网络信息传播的信任度更新规则与并行推荐规则，模拟信息在真实世界的传播过程；(3)采用真实数据集，分析传播结果与传播发起者、迭代次数间的关系。本发明考虑了传播发起者对传播结果的影响，设计了普通节点的信任度动态更新规则与并行推荐规则，能够最大化受影响普通节点的数目，提升信息传播的速率与范围。

技术领域

本发明属于信息传播技术领域，具体涉及在线社交网络中节点相似性与凝聚力并重的信息传播方法。

背景技术

随着计算机科学和移动计算的飞速发展，在线社交网络(OSN，Online SocialNetwork)已成为信息交流与传播的主流平台，如Facebook、Twitter、网上购物等，甚至是电脑游戏玩家之间的体验分享。不同的个体可能共享相同的兴趣或偏好，即使他们在现实生活中互不认识彼此。一般地，在形成自己对创新、产品、经济和政治观点的过程中，人们易受到朋友、亲人的影响。因此，挖掘用户之间的关系，提高信息传播的速率与范围，已引起学者的广泛关注。

信息传播旨在让一个社交网络中的尽可能多用户接受该信息，其作用类似于广告推荐，如基于用户购买历史的推荐策略能为用户提供个性化推荐服务。信息传播的规律对于实现信息在整个社会网络中的扩散至关重要。并且，发起信息传播的第一个人对信息传播的效果有着至关重要的影响。因此，如何识别高影响力的用户，并将之作为传播发起者是提高信息传播效率的重要内容。

目前，应用最广泛的信息传播/广告推荐方法有：

(1)协同过滤算法。协同过滤算法分为两种，一种为基于产品的协同过滤算法，另一种为基于用户的协同过滤算法。基于产品的协同过滤算法，其主要思想是根据产品之间潜在的关系来预测用户对产品的偏好，而基于用户的协同过滤算法，则是根据用户的相似性来预测用户对产品的偏好。协同过滤算法可处理非结构化对象，不需要建模，因此在电子商务中得到了广泛的应用。然而，协同过滤面临三个挑战，即冷启动用户、冷启动产品和数据稀疏性。冷启动用户是指没有购买记录的新用户，冷启动产品是指没有销售记录可供参考的新产品，数据稀疏性是指很少有用户购买该产品。此外，由于高时间复杂性，现有的协同过滤算法不适用于大型在线社交网络。(2)病毒式营销策略。传统的传染病模型为解决广告推荐的冷启动问题开辟了一条新途径。SIR(Susceptible/Infectious/Removed)模型将用户分为三类：易感者、感染者和免疫者。感染者代表被感染的个体，可能会传播疾病给邻居；易感者是指那些当前健康但未来容易被已感染邻居感染的人；免疫者指的是已经治愈或对疾病免疫的用户。IC(IndependentCascade)模型假设种子节点以不确定的概率感染其邻居。无论感染是否成功，种子节点仅有一次机会感染其邻居。即使他的态度仍然为1，种子节点也会失去其传染性。在其推荐周期之后，种子节点将失去其传染性。LT(LinearThreshold)模型中，多个节点可同时向同一节点推荐广告，当且仅当节点的信任度大于该节点的信任阈值时，该节点才会接纳该广告。然而，协同过滤算法与病毒式营销策略均未区分节点的影响力。若将影响力最大的节点作为传播发起者，则传播效果事半功倍。目前，社交网络中影响力最大化问题的解决方案有：

(1)PageRank算法：PageRank是Google搜索引擎的核心算法，用于衡量网页的重要性。算法中用PR值来表示网页重要性的高低，若一个网页被很多其他网页指向，则意味着这个网页比较重要，PR值会相对较高；如果一个PR值很高的网页指向另一个网页，则被指向网页的PR值会因此而增加。PageRank算法适用于大规模网络，其时间复杂度为O(n)，运行时间较短。

(2)贪心算法及其改进：社交网络中的影响力最大化问题为NP难问题，社交网络中影响力最大化问题可由贪心算法解决。贪心算法是采用迭代方法，旨在找到最具影响力的节点集合。