基于两阶段启发的社交网络影响最大化算法

摘要：

社交网络中影响最大化问题的研究一直是社交网络分析的重点之一,其技术在人们生活的很多领域中具有应用价值.针对现有影响最大化算法存在时间复杂度高、算法精度低和不稳定的问题,文中利用线性阈值模型的能够将影响力累积的特性,提出一种基于度和影响力的混合启发式算法—DIH(Degree and Influence Heuristic)算法.该算法综合考虑网络的传播特性和结构特性,基于线性阈值模型将整个影响最大化计算分为两个启发阶段:首先进行度折启发,在激活节点的同时将节点的影响力积累,然后进行影响力启发,将度折启发期间积累的影响力爆发,从而激活更多的节点.为保证算法的效率,本文在影响力启发阶段设计了一种近似估计节点影响力的计算方法.最后,本文在三个不同的真实网络中验证了算法的有效性.

关键词：社交网络、影响最大化、两阶段启发、线性阈值模型

所属期刊栏目：38

分类号：TP399(计算技术、计算机技术)

资助基金：国家自然科学基金项目41362015,41562019;江西省教育厅科技项目GJJ14431, GJJ14432, GJJ14458

在线出版日期：2017-11-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2268-2274