[发明专利]一种不确定源的负影响力抑制最大化方法

说明书

本发明公开了一种不确定源的负影响力抑制最大化方法，根据Chernoff界构建对有向图G构建R个活边子图G’＝(V,E’)；基于活边子图，对每一个活边子图构建对应的传播树当加入一个新的正种子节点v后，在传播树上计算抑制增量△(w)和节点u在传播树G’上的节点覆盖值取具有最高抑制增量△(w)的节点w作为新的正种子加入集合S；依据种子集合个数k确定种子集合S。本发明填补了不确定源的负影响力抑制方法的空缺，避免了大量的计算模拟，提高了速度，缩短了时间。

技术领域

本发明属于社会网络科学领域，特别是一种不确定源的负影响力抑制最大化方法。

背景技术

随着社会网络的日益壮大，商家消费者身份的互相转换，影响力也成为每个人的关注点。具有新型商品或者需要推广的信息就会通过寻找具有影响力的传播者进行宣传。然而，一个行业中会存在多个商家在一起竞争。例如商家A和B在宣传同一类型的产品时，商家A为了扩大自己的影响力，可能会选择一些不利于商家B的舆论来打压商家B的产品，使得商家B的影响力没有商家A的大。此时，商家B就需要寻找一些利于自身的k个个体、群体或平台，抵消商家A所散播的不利影响，以此达到抑制负影响的目的。这就是负影响力最大化问题。传统的负影响力抑制最大化方法有基于竞争的方法和基于免疫的方法，使用的传播模型有基于独立级联的模型、基于线性阈值的模型等。然而，由于社交网络隐私性，不能够完全知道负影响散播的确切源头在哪里，只能知道他们的概率分布。

在计算机科学领域，基于互联网和大数据的影响力传播研究也从21世纪开始兴起。影响力传播的研究主要有三大支柱：第一是影响力传播的模型，主要描述影响力在社交网络中如何传播、有何特点和性质；第二是影响力传播的学习，即如何利用网络大数据挖掘学习影响力传播模式和具体传播模型的参数；第三是影响力传播优化，着重于考虑在不同的传播模型下，如何通过施加外部作用(比如选取有影响力的初始传播用户和改变传播途径等)来扩大希望传播的影响力或者控制和减弱不希望传播的影响力，也包括有效的监控影响力的传播等。

负影响力抑制最大化为给定负种子节点的集合，在网络中找到k个正种子节点并通过这k个种子最大限度地抑制整个网络中地负影响力。最初由Kempe等人提出的基于独立级联和线性阈值的两个基本模型并证明了这一问题是NP-hard问题。几乎所有的研究都是在这两个模型之下开展的。传统的独立级联模型中，每个节点都会有一个可能被激活的概率p，假定v是被激活的种子，当节点v向其邻居节点u传达的概率大于p，则u被激活。相较于线性阈值模型，该模型的传播性能简单易懂。负影响力抑制最大化使用的贪心算法几乎是非常完美的，虽然可以找出影响力最大化的种子，但是当需要换别的种子的时候，又需要重新计算，所以在时间复杂度上是一大弱点。而且上述分析均是基于了负影响源是已知的情况下，由于社交网络的隐私性，负影响源在很多时候是不确定的，这也是一个亟待解决的问题。

发明内容

发明目的：本发明的目的在于克服上述缺陷，设计一种不确定源的负影响力抑制最大化方法，提出了节点负影响力抑制指标△(w)，针对不确定源的负影响力种子，多次抽样网络的子图，精确选择正种子集，最大限度抑制负影响力。

技术方案：本发明所述的一种不确定源的负影响力抑制最大化方法，具体包括以下步骤：

(1)根据Chernoff界构建对有向图G构建R个活边子图G’＝(V,E’)；对于G中的每一个节点v，从v的入边集合中以P(u,v)的概率选择一条边(u,v)，从G中构造活边子图G’；

(2)对每一个活边子图G’下，对每一个活边子图G’中以d为根，利用广度优先构建对应的传播树

(3)当加入一个新的正种子节点v后，在传播树上计算抑制增量△(w)和节点u在传播树G’上的节点覆盖值

(4)取具有最高抑制增量△(w)的节点w作为新的正种子加入种子集合S，依据种子集合个数k确定种子集合S。

进一步地，所述步骤(1)实现过程如下：