[发明专利]一种基于随机模型预测信息最大化传播范围的方法

摘要

本发明属于社会网络建模与分析领域，具体涉及一种探索了社交网络动态特性的基于随机模型预测社交网络信息最大化传播范围的方法。该方法构造了一组可描述网络信息传播动态性的函数，通过社交网络信息传播的历史数据，建立动态信息传播模型，并利用随机模型检测器通过验证和仿真技术，预测通过不同节点与节点集合传播，信息可能传播的最大范围，并找出能使传播范围最大化的节点集合。与传统的传播范围最大化建模方法相比，本发明能够对网络动态性进行建模，使得预测出的初始节点集合质量更高，提高了网络营销策略的成功率。

主权项

一种基于随机模型预测信息最大化传播范围的方法，其步骤包括：1)从社交网络中获取信息传播的历史数据，并通过网络动态性函数集描述所发现的网络动态性；所述网络动态性函数集是一个已知的信息传播网络潜在变化规律的集合，每一个动态性函数都刻画了在信息传播过程中传播网络上各个边可能发生的变化；所述历史数据中，每行均表示一个信息的传播历史，信息均由唯一标识所区分；每一行由一系列二元组所组成，每个二元组中均包含一个节点唯一标识node_id与一个时长time，表示该信息被节点node_id于信息发布后经过time时长转发；所述网络动态性函数集的具体表示形式为：一个节点类别标识集合P，一个分类函数Part(x1,x2,…,xn)，每类节点的入边上传播速率的变化函数∮，∮的触发条件和∮的更新函数；其中分类函数Part(x1,x2,…,xn)用于给节点分类，x1,...，xn表示节点的属性值；2)把信息传播的历史数据与网络动态性函数集建模成动态信息传播模型；所述动态信息传播模型是一系列带有转移标识的连续时间马尔科夫链模型，其构建方法为：2‑1)利用数学工具将信息传播的历史数据转换成传播网络图，图上每个节点都是一个网络中的实体，节点间关系表示为有向权重边，边上的权重即为传播速率；2‑2)将传播网络图转换成连续时间马尔科夫链模型；2‑3)依次将网络动态性函数集中的每个动态性函数分别转换成连续时间马尔科夫链；2‑4)将步骤2‑3)所得的网络传播动态函数连续时间马尔科夫链模型与步骤2‑2)中所得的传播网络图连续时间马尔科夫链模型集合通过转移标识进行关联，得到的一系列连续时间马尔科夫链模型，即为所述动态信息传播模型；3)通过贪婪算法迭代地设置初始节点集合，利用所述动态信息传播模型与连续时间随机逻辑属性，并调用随机模型检测器，通过验证或仿真的方法对初始节点集合所能达到的可能传播范围进行预测；所述连续时间随机逻辑属性的计算结果是累计转发人数的期望值；所述通过贪婪算法迭代地设置初始节点集合的方法为：3‑1)通过调用随机模型检测器对动态信息传播网络中每个单独节点的传播范围进行精确预测；3‑2)通过确定待加入初始节点集合中的节点对传播范围的增加量ΔσT({v})进行评估，选择该值最大的节点加入到初始节点集合中，ΔσT({v})的计算方法是在该节点在步骤3‑1)中预测的传播范围基础上乘以打折函数进行估算；3‑3)对步骤3‑2)进行K次迭代，确定初始节点集合中的节点；4)根据信息的可能传播范围的预测结果，确定使得传播范围最大化的初始节点集合，并输出该初始节点集合和预测的信息最大化传播范围。