摘要：针对经典影响力最大化算法存在的计算时间过长等问题,提出一种新的启发式贪婪算法-高节点度贪婪算法(HD_Greedy)。基于社交网络节点的度呈幂律分布以及节点的度与影响力强关联性,在极小部分高度数节点中搜索最大影响力种子节点,使搜索空间大幅度地减少,节约了大量的盲目搜索时间,并且不损失种子节点影响力。实验结果表明,在不同信息传播模型中,HD_Greedy算法得到的种子节点影响力与其它贪婪算法接近,但计算效率有了较大提高,尤其适合于在大规模社交网络中搜索最大影响力种子节点。

摘要：针对大型网络中社区发现优化方法的效率问题,提出一种局部社区发现方法(LRW-LSA),从少量种子节点中识别本地社区的所有潜在社区成员。采用限制性随机游走进行采样处理,从种子节点出发得到一个相对较小的子图;利用种子的归一化指示向量对子图进行Lanczos迭代,得到相关节点与目标社区的隶属概率用以恢复出目标社区。在不同领域的真实数据集和合成数据集上进行实验,结果表明,LRW-LSA优于现有的社区发现方法。

摘要：针对HITS算法、传统最大流算法在挖掘Web社区时存在主题漂移、噪音页面等问题,采用基于传递概率的边容量分配最大流改进算法,开发了一个改进的Web社区结构挖掘系统,详细描述了该系统的设计和实现过程。实验表明,利用该系统进行Web社区挖掘能较好的解决传统算法中存在的问题,进一步提高了Web社区挖掘的准确性。