隨著互聯(lián)網(wǎng)技術的蓬勃發(fā)展,各種在線社交媒體在網(wǎng)民生活所占的比重逐年上升,基于互聯(lián)網(wǎng)的社交媒體正在潛移默化的改變著人們的生活,相比在日常生活中,用戶經(jīng)常更傾向于在諸如微博、微信、Twitter等社交媒體中發(fā)表自己的觀點與看法。大量的時事、用戶評論、以及用戶間的關注,形成的虛擬社交網(wǎng)絡中包含了海量的用戶信息,吸引了很多學者開展研究,衍生出很多的研究方向,影響力最大化問題就是其中之一。影響力最大化問題是如何在社交網(wǎng)絡中找到一些影響力較高的人,然后以這些人作為影響力傳播的起始點,嘗試將信息傳播給盡可能多的人,其在病毒式營銷、流行病控制、及評估復雜系統(tǒng)的級聯(lián)故障等領域中有著廣泛的應用。影響力最大化問題的關鍵是如何找到可以在社交網(wǎng)絡將影響力傳播給較多用戶的那一小部分關鍵用戶。如何選取這一小部分關鍵用戶,目前的研究方向主要是分為兩種:基于貪心策略的方法以及基于啟發(fā)式的方法。前者可以獲得較高的精度,但需要進行大量的蒙特-卡洛模擬,故而效率較低,后者主要利用社交網(wǎng)絡的節(jié)點特性來快速的選取節(jié)點,但精度上丟失較多。本文的主要研究內(nèi)容和創(chuàng)新點有:1、提出了一種新的基于社交網(wǎng)絡的影響力最大化方法,通過合理利用了... 

【文章來源】：中央民族大學北京市 211工程院校 985工程院校

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 本文研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的研究內(nèi)容
    1.4 本文的組織結構
第二章 相關理論基礎
    2.1 社交網(wǎng)絡的結構
    2.2 社交網(wǎng)絡的統(tǒng)計特征
        2.2.1 節(jié)點度
        2.2.2 網(wǎng)絡集聚系數(shù)
        2.2.3 平均路徑長度
        2.2.4 介數(shù)
    2.3 影響力傳播模型
        2.3.1 獨立級聯(lián)模型
        2.3.2 線性閾值模型
    2.4 影響力最大化貪心算法
        2.4.1 子模函數(shù)
        2.4.2 邊際收益
        2.4.3 BasicGreedy算法
    2.5 影響力最大化啟發(fā)式算法
    2.6 本章小結
第三章 對傳統(tǒng)獨立級聯(lián)模型節(jié)點間影響概率的改進
    3.1 節(jié)點影響力估算
    3.2 引入用戶交互次數(shù)的影響
    3.3 差異化影響概率
    3.4 獨立級聯(lián)模型節(jié)點間影響概率流程
    3.5 本章小結
第四章 基于群體發(fā)現(xiàn)與獨立級聯(lián)模型的影響力最大化方法
    4.1 群體發(fā)現(xiàn)算法
        4.1.1 Louvain群體發(fā)現(xiàn)算法
        4.1.2 Girvan-Newman社區(qū)發(fā)現(xiàn)算法
    4.2 反向可達節(jié)點索引方法
    4.3 基于隨機游走的反向可達節(jié)點索引方法
    4.4 種子節(jié)點篩選
    4.5 時間復雜度分析
    4.6 本章小結
第五章 實驗與分析
    5.1 實驗數(shù)據(jù)
        5.1.1 數(shù)據(jù)獲取
        5.1.2 數(shù)據(jù)預處理
    5.2 實驗設計
        5.2.1 初始節(jié)點比例實驗
        5.2.2 方法對比實驗
    5.3 評價指標
    5.4 結果與分析
        5.4.1 初始節(jié)點比例實驗結果
        5.4.2 基于社區(qū)發(fā)現(xiàn)與獨立級聯(lián)模型的影響力最大化方法實驗結果
    5.5 本章小結
第六章 總結與展望
    6.1 總結
    6.2 展望
參考文獻
致謝
讀研期間發(fā)表的學術成果



本文編號：3169033