極性相關(guān)的社會(huì)網(wǎng)中影響最大化算法的研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，互聯(lián)網(wǎng)內(nèi)的各種社交網(wǎng)站大量興起，其中最具代表的當(dāng)屬新浪微博和Facebook，它們?cè)谌穗H交往著起著不可替代的作用，是一種全新的社交方式，人們通過(guò)社交網(wǎng)絡(luò)可以分享興趣以及建立親密的聯(lián)系，拓展人們的生活方式，這些社交互動(dòng)產(chǎn)生了規(guī)模龐大的信息庫(kù)，如何挖掘社會(huì)網(wǎng)中具有重大商業(yè)利益的潛力，是一個(gè)值得挑戰(zhàn)的領(lǐng)域，而在其中影響最大化問(wèn)題則是其中的焦點(diǎn)問(wèn)題。
　　社會(huì)網(wǎng)絡(luò)影響最大化問(wèn)題在病毒營(yíng)銷和消息傳遞中被廣泛研究，目

2、的是能夠選出大小為K的節(jié)點(diǎn)初始集合，使其通過(guò)影響傳播模型傳播之后在整個(gè)社會(huì)網(wǎng)絡(luò)帶來(lái)的影響收益最大。影響最大化問(wèn)題的研究基于一種特定的社會(huì)網(wǎng)絡(luò)，以往的研究大多基于的社會(huì)網(wǎng)用戶成員之間的關(guān)系總是積極影響，用戶節(jié)點(diǎn)被激活之后只有一種狀態(tài)并且整個(gè)社會(huì)網(wǎng)激活的節(jié)點(diǎn)狀態(tài)都是相同的，我們稱這種社會(huì)網(wǎng)為無(wú)符號(hào)社會(huì)網(wǎng)，但是實(shí)際中社會(huì)網(wǎng)節(jié)點(diǎn)之間的關(guān)系既有積極影響也有消極影響，通過(guò)積極影響和消極影響所激活的節(jié)點(diǎn)的狀態(tài)是不同的，我們稱這種社會(huì)網(wǎng)絡(luò)為有符號(hào)或極性

3、社會(huì)網(wǎng)。無(wú)符號(hào)社會(huì)網(wǎng)和極性社會(huì)網(wǎng)的結(jié)構(gòu)不同，原來(lái)的傳播模型在極性社會(huì)網(wǎng)中不能適用，相應(yīng)的影響最大化算法也需作出改進(jìn)。而且針對(duì)不同的主題偏好，相同的節(jié)點(diǎn)初始集合所得到的影響傳播收益明顯不同，這些都是亟待解決的問(wèn)題。
　　針對(duì)上述影響最大化研究中的問(wèn)題和挑戰(zhàn)，本文從以下兩個(gè)方面進(jìn)行研究:
　　(1)針對(duì)無(wú)符號(hào)社會(huì)網(wǎng)和極性社會(huì)網(wǎng)結(jié)構(gòu)不同，傳播模型不適用問(wèn)題，在極性相關(guān)的社會(huì)網(wǎng)影響最大化算法中，我們對(duì)IC模型進(jìn)行擴(kuò)展，加入質(zhì)量因子q

4、，提出了一種新型傳播模型IC-P，在此模型基礎(chǔ)上，我們將給出積極影響最大化算法PIM和消極影響最大化算法NIM，為了降低算法的時(shí)間開(kāi)銷，在算法中加入了子模特性提高了算法的時(shí)間效率，最后將通過(guò)實(shí)驗(yàn)數(shù)據(jù)加以驗(yàn)證。
　　(2)針對(duì)不同的主題感知下算法準(zhǔn)確性問(wèn)題，雖已有大量相關(guān)主題偏好的研究，但都是基于無(wú)符號(hào)社會(huì)網(wǎng)，在極性社會(huì)網(wǎng)影響最大化算法中相應(yīng)的研究還比較缺乏，本文通過(guò)在極性社會(huì)網(wǎng)中加入主題偏好因素，研究極性社會(huì)網(wǎng)下主題感知的影響最大