摘要：度量用户间影响力对商品的营销和推广具有重要作用。然而,已有工作通常假设用户之间的相互影响行为是独立的,忽略了影响力在传播过程中具有的累积效应。为解决此问题,该文在线性阈值模型的框架下,提出一种影响力传播权重的计算方法。该方法将社交网络中用户的历史行为日志看作样本,借鉴最大似然估计的思想对用户间影响力学习问题建模,并设计一种优化的粒子群算法对问题求解。实验使用真实数据验证了该方法的有效性。

摘要：社会计算领域的影响力传播问题一般仅研究单条信息的最大化传播,但在实际网络环境中,更多的是存在多条具有竞争关系的信息在网络中进行传播,且在传播过程中不同信息会相互影响.竞争环境中的影响力最大化问题即是为某一条竞争信息选择种子节点集合,使之最终影响的节点数目最多.该文针对多条相似信息的竞争传播问题,考虑传播的同步性,建立基于竞争的线性阈值扩展模型;基于用户交互的主题偏好计算不同类别信息下节点间的影响概率,并结合扩展的传播模型和信息扩散的特点,提出基于节点子图的影响力计算方法.以两条竞争信息传播为例,考虑利己信息对竞争信息传播策略的掌握情况,设计两种解决方案:(1)在已知竞争信息A的种子节点选择策略时,提出节点避让的利己信息影响最大化算法NA(Node Avoidance);(2)在未知竞争信息A的种子节点选择策略时,提出使用种子节点选择策略集为信息A选择种子集合,并提出策略无关的利己信息影响最大化算法I3SL(Independent Seed Selection Strategy of Leader).该文在新浪实证数据集上进行了对比实验,结果表明:(1)NA算法在竞争环境中能使利己信息传播范围最广,平均优于其他算法26.2%,且表现出较好的通用性和稳定性;(2)I3SL算法在未知竞争信息的选择策略时也能够保证利己信息的传播范围,平均优于其他算法18.23%;(3)该文所提两种算法在运行时间上较其他启发式算法表现较弱,但两种算法在运行时间和传播范围两方面均取得了较好的平衡。

摘要：随着各种社交网站的不断涌现,在多社交网络上找到影响传播范围最大的一组用户,对产品推荐或产品推广具有重要作用。为提高产品推荐或推广的广度和精准性,提出了一种跨社交网络基于话题感知的影响力最大化处理方法M-TLTGreedy。首先,根据跨社交网络中的文本语义信息和用户间的社会关系来评价多社交网络中用户间关系,以此构建一个基于话题的跨社交网络图;然后,在线性阈值模型的基础上,设计了一个基于话题感知的跨社交网络影响力最大化模型M-TLT(multiple-topic linear threshold);接着,基于M-TLT模型,利用改进的启发式算法,进行初始用户集的选取;最后,基于大量数据集的实验,证明了该算法无论在影响范围和时间效率上均表现良好。

摘要：影响力最大化问题是社交网络分析领域的热点研究问题之一,相关研究成果可在政治选举、在线营销、谣言控制等多个领域应用.本文主要关注具有时间约束的影响力最大化问题,即如何在给定时间范围内使影响力的传播范围最大.为解决这一问题,提出了一种基于时间约束的影响力最大化方法.该方法首先根据节点的拓扑属性和社交活动的时间属性设计影响力计算模型,并在模型中引入时间约束条件;其次,在影响力传播过程中引入最早激活时间、累积传播延时以控制影响力的传播过程满足约束条件;最后,通过定义有效激活节点来刻画每个节点在给定时间约束下的影响力传播范围,并据此选出种子节点.在6个不同规模真实数据集上的对比实验验证了本文方法的正确性和有效性.

摘要：社交网络中影响最大化问题的研究一直是社交网络分析的重点之一,其技术在人们生活的很多领域中具有应用价值.针对现有影响最大化算法存在时间复杂度高、算法精度低和不稳定的问题,文中利用线性阈值模型的能够将影响力累积的特性,提出一种基于度和影响力的混合启发式算法—DIH(Degree and Influence Heuristic)算法.该算法综合考虑网络的传播特性和结构特性,基于线性阈值模型将整个影响最大化计算分为两个启发阶段:首先进行度折启发,在激活节点的同时将节点的影响力积累,然后进行影响力启发,将度折启发期间积累的影响力爆发,从而激活更多的节点.为保证算法的效率,本文在影响力启发阶段设计了一种近似估计节点影响力的计算方法.最后,本文在三个不同的真实网络中验证了算法的有效性.

摘要：现有近似求解影响最大化算法的时间复杂度较高,为此,提出一种扩展的线性阈值模型及其概率转移矩阵,给出该模型的传播过程及规则,设计基于概率转移矩阵的影响最大化算法,并利用贪心方法寻找到k个最具影响的节点。该算法通过矩阵乘积的方法得到T时刻节点之间的影响概率,无需在每个时刻计算所有非活跃节点的边际效益,从而在较短时间内提高运行时的效率,使得在规模较大的社会网络中被影响的节点最多且信息传播范围最广。仿真实验结果表明,在大规模社会网络中,该算法对社会网络节点的影响范围广且时间复杂度低。

摘要：提出一种基于个体敏感性的影响力传播模型,并设计求解影响力最大化问题的算法。首先,将个体敏感性引入传统线性阈值模型中,提出了分布区间的最低阈值与最高阈值,刻画更符合现实的信息传播过程。其次,基于改进的传播模型,构建解决影响力最大化问题的模型,并设计了求解该模型的敏感性更新贪婪算法(SUG)。实验测试结果表明:大规模网络实验中,SUG算法比Degree Discount算法(DD)多了50%的扩散范围;中规模网络实验中,SUG算法比传统贪婪算法(GA)节约了99%以上的计算时间。