近年來,社交網(wǎng)絡(luò)分析成為人們研究的熱點(diǎn),通過社交網(wǎng)絡(luò)分析,可以挖掘隱藏在網(wǎng)絡(luò)中的重要信息,其中在社交網(wǎng)絡(luò)分析中的一個(gè)研究熱點(diǎn)就是社交影響力最大化問題。然而在這個(gè)研究領(lǐng)域中,大部分學(xué)者僅僅關(guān)注于影響力最大化,而忽視了被影響群體的多樣性,而在實(shí)際營銷中,商家更傾向于選擇多樣化的目標(biāo)受眾以推廣新產(chǎn)品。除此之外,大部分學(xué)者在研究社交影響力最大化問題時(shí)忽視了節(jié)點(diǎn)成本的重要性,對(duì)于市場營銷而言,在期望獲得影響力最大化的同時(shí)營銷的成本可以最小化。為了解決上述兩個(gè)重要問題,本文將研究基于重疊社團(tuán)檢測(cè)的社交影響力最大化的多目標(biāo)方法。之所以采用重疊社團(tuán)檢測(cè)技術(shù),是因?yàn)橹丿B社團(tuán)中的重疊點(diǎn)起著“橋梁”的作用,可以使得信息在不同的社團(tuán)之間傳播,因此被影響的節(jié)點(diǎn)的分布會(huì)更加多樣化;同時(shí),利用重疊社團(tuán)結(jié)構(gòu)信息可以挖掘網(wǎng)絡(luò)中性價(jià)比（影響力/成本）高的節(jié)點(diǎn),為用戶提供影響力大成本小的種子節(jié)點(diǎn)。因此,本文在社交影響力最大化問題上分別考慮節(jié)點(diǎn)多樣性和成本,提出了基于重疊社團(tuán)檢測(cè)的多樣性影響力最大化進(jìn)化算法和基于重疊社團(tuán)檢測(cè)的成本最小化影響力最大化進(jìn)化算法。本文的主要研究工作如下:（1）本文提出了基于重疊社團(tuán)檢測(cè)的多樣性影響... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

在線社交網(wǎng)絡(luò)示例圖

第二章相關(guān)工作與理論基礎(chǔ)102.2.2線性閾值模型線性閾值模型（LinearThresholdModel）簡稱LT模型，它是基于隨機(jī)擴(kuò)散的一種模型，設(shè)定網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)都有一個(gè)激活的閾值∈[0,1]，表示節(jié)點(diǎn)被激活的臨界值。節(jié)點(diǎn)的鄰居節(jié)點(diǎn)()對(duì)該節(jié)點(diǎn)的影響力滿足以下公式：∑≤1∈(),(2.2)與IC模型不同的是，線性閾值模型假定多個(gè)節(jié)點(diǎn)對(duì)同一個(gè)節(jié)點(diǎn)的影響力是可以累加的，當(dāng)節(jié)點(diǎn)的影響力累加值大于它的閾值，即∑≥∈()此節(jié)點(diǎn)就會(huì)被激活，一直重復(fù)這個(gè)過程直到網(wǎng)絡(luò)中沒有新的激活節(jié)點(diǎn)產(chǎn)生。2.3重疊社團(tuán)檢測(cè)的相關(guān)理論社團(tuán)結(jié)構(gòu)，即將網(wǎng)絡(luò)中的節(jié)點(diǎn)被劃分為若干個(gè)不同的集合，同時(shí)每個(gè)集合內(nèi)部節(jié)點(diǎn)之間的連邊相對(duì)緊密，而不同集合節(jié)點(diǎn)之間的連邊相對(duì)稀疏[40]。例如，在社交網(wǎng)絡(luò)中，具有相似愛好的人形成一個(gè)社團(tuán)；在蛋白質(zhì)網(wǎng)絡(luò)中，不同類別的蛋白質(zhì)形成各個(gè)功能模塊；在科學(xué)家合作網(wǎng)絡(luò)中，不同的研究領(lǐng)域形成不同的社團(tuán)。類似地，重疊社團(tuán)中的節(jié)點(diǎn)可能屬于一個(gè)社團(tuán)，也可能屬于多個(gè)社團(tuán)，屬于多個(gè)社團(tuán)的節(jié)點(diǎn)被稱為重疊點(diǎn)。下面給出重疊社團(tuán)[41]的詳細(xì)定義：定義2.2（重疊社團(tuán)）：定義一個(gè)無向無權(quán)的網(wǎng)絡(luò)(,)，把網(wǎng)絡(luò)分成={1,2,...,}，共個(gè)社團(tuán)，對(duì)于任意(1≤≤)滿足≠且存在≠，(1≤≤,1≤≤,≠)，=1=。即網(wǎng)絡(luò)中的節(jié)點(diǎn)可以屬于多個(gè)社團(tuán)。圖2.1重疊社團(tuán)結(jié)構(gòu)示例Fig.2.1Exampleofoverlappingcommunitystructure圖2.1中，可以看出有兩個(gè)社團(tuán)1={1,2,3,4}，2={4,5,6,7}，其中節(jié)點(diǎn)4屬于在兩個(gè)社團(tuán)中。因此節(jié)點(diǎn)4是重疊點(diǎn)，則1和2是重疊社團(tuán)。本文采用經(jīng)典的重疊社團(tuán)檢測(cè)算法SLPA（Speaker-listenerLabelPropagation

第二章相關(guān)工作與理論基礎(chǔ)12定義2.6（Pareto前沿面）：Pareto前沿面即PaS中所有Pareto最優(yōu)解在目標(biāo)空間上的映射，記為={F()|∈}。本文采用經(jīng)典的多目標(biāo)進(jìn)化算法NSGA-II[49]為框架，下面將對(duì)該算法做出相關(guān)介紹。通常利用進(jìn)化算法求解多目標(biāo)優(yōu)化問題，多目標(biāo)進(jìn)化算法是通過模擬生物在自然界的進(jìn)化過程而形成的搜索方法，其中NSGA-II是多目標(biāo)進(jìn)化算法中經(jīng)典的算法之一。NSGA-II算法是在NSGA算法[50]基礎(chǔ)上的改進(jìn)版本。NSGA采用非支配排序方法，可以使好的個(gè)體有更大的機(jī)會(huì)保留到下一代，同時(shí)提出適應(yīng)度共享策略，使Pareto前沿面上的個(gè)體分布均勻，確保群體的多樣性，防止過早收斂。但是NSGA算法中非支配排序時(shí)間復(fù)雜度較高，為（3）（m是目標(biāo)數(shù)量，N是種群大�。�2002年Deb等人提出了NSGA-II，為了降低時(shí)間復(fù)雜度，首先提出了快速非支配排序方法，將時(shí)間復(fù)雜度降低到（2），大大地縮短了搜索時(shí)間。除此之外，NSGA-II引入精英保留策略，將父代和子代種群中非支配的個(gè)體保留下來，從而保證了種群的質(zhì)量。最后，利用擁擠距離選擇算子來保證種群的多樣性。由于NSGA-II中巧妙的策略，該算法比NSGA有更高的計(jì)算效率，并且NSGA-II也已成為對(duì)比算法中的基準(zhǔn)算法。多目標(biāo)進(jìn)化算法一般分為以下部分，如圖2.2所示。首先，初始化種群，即產(chǎn)生一個(gè)初始的種群；然后，利用交叉變異操作產(chǎn)生子代。最后，利用環(huán)境選擇機(jī)制，在父代和子代種群中選擇生成下一代種群。圖2.2多目標(biāo)進(jìn)化算法流程示例Fig.2.2Theflowchartofmulti-objectiveevolutionaryalgorithm

【參考文獻(xiàn)】：
期刊論文
[1]交易型社區(qū)的病毒式營銷策略:基于社會(huì)影響、同質(zhì)性和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的ABMS仿真研究[J]. 肖邦明,黃敏學(xué).  營銷科學(xué)學(xué)報(bào). 2015(01)
[2]社交網(wǎng)絡(luò)影響力研究綜述[J]. 丁兆云,賈焰,周斌,唐府.  計(jì)算機(jī)科學(xué). 2014(01)
[3]多目標(biāo)進(jìn)化算法綜述[J]. 張福威,李軍,孟品超,姜志俠,李延忠.  長春理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(03)

碩士論文
[1]群集智能優(yōu)化算法的研究[D]. 王冬梅.武漢科技大學(xué) 2004



本文編號(hào)：3482837