本發(fā)明屬于社交網(wǎng)絡(luò)影響傳播
技術(shù)領(lǐng)域：
，更為具體地講，涉及一種社交網(wǎng)絡(luò)影響傳播中初始用戶選取方法。
背景技術(shù)：
：隨著在線社交網(wǎng)絡(luò)Facebook、Twitter和微信等的普及，越來(lái)越多的人研究社交網(wǎng)絡(luò)的影響傳播現(xiàn)象，包括信息、病毒和新聞的傳播或產(chǎn)品的采納等。如何在社交網(wǎng)絡(luò)中選取初始用戶進(jìn)行產(chǎn)品的有效促銷，越來(lái)越受到商家的關(guān)注。例如，一個(gè)公司研發(fā)了一種新產(chǎn)品，這個(gè)公司需要通過(guò)社交網(wǎng)絡(luò)選取一些初始用戶，通過(guò)給這些初始用戶提供免費(fèi)的試用產(chǎn)品，使他們?cè)谠囉卯a(chǎn)品后，把產(chǎn)品的信息傳播給他們的朋友、朋友的朋友，等等，最終使得產(chǎn)品得到有效的促銷(即社會(huì)網(wǎng)絡(luò)影響最大化)，在市場(chǎng)營(yíng)銷方面具有重要的實(shí)際應(yīng)用前景。社交網(wǎng)絡(luò)影響最大化，是指在某種傳播模型下找到給定數(shù)量的最具有影響力的初始用戶，使得產(chǎn)品的信息通過(guò)這些初始用戶在社交網(wǎng)絡(luò)中得到最大化的傳播。由此可知，建立傳播模型，快速地在社交網(wǎng)絡(luò)中找到最具有影響力的初始用戶，是社交網(wǎng)絡(luò)影響最大化的核心和關(guān)鍵。目前公知的傳播模型主要有線性閾值模型、獨(dú)立級(jí)聯(lián)模型和熱擴(kuò)散模型。初始用戶的選取方法包括貪心法及其他啟發(fā)式算法。陳浩等(<計(jì)算機(jī)研究與發(fā)展>，2012)提出基于閾值的社交網(wǎng)絡(luò)影響力最大化算法，根據(jù)每個(gè)節(jié)點(diǎn)在激活過(guò)程中動(dòng)態(tài)變化的閾值來(lái)計(jì)算它的潛在影響值。鄧曉衡(<發(fā)明專利201510072839.0>，2015)提出一種基于節(jié)點(diǎn)特性的初始節(jié)點(diǎn)選取方法，根據(jù)用戶活躍度、用戶敏感度和用戶親密度三方面因素，對(duì)節(jié)點(diǎn)特性進(jìn)行評(píng)價(jià)，并通過(guò)貪心法選取影響力最大的初始用戶節(jié)點(diǎn)集。吳俊等(發(fā)明專利CN201510186252.2，2015)提出一種基于社團(tuán)結(jié)構(gòu)挖掘算法的在線社會(huì)網(wǎng)絡(luò)信息傳播最大化方法，利用社團(tuán)挖掘算法發(fā)現(xiàn)復(fù)雜網(wǎng)絡(luò)的社團(tuán)，并分別在這些社團(tuán)對(duì)應(yīng)的子圖中尋找初始用戶，最終形成初始用戶集合。曹玖新等(<計(jì)算機(jī)學(xué)報(bào)>，2015)提出一種基于k-核的社會(huì)網(wǎng)絡(luò)影響最大化算法，是一種基于核層次特征、節(jié)點(diǎn)度數(shù)和影響半徑貪心的初始用戶選取方法。胡慶成等(<物理學(xué)報(bào)>，2015)提出一種新的影響力最大化計(jì)算方法，該方法從一個(gè)網(wǎng)絡(luò)中隨機(jī)地選出一個(gè)節(jié)點(diǎn)，再?gòu)脑摴?jié)點(diǎn)及其鄰居節(jié)中選出一個(gè)度最大的節(jié)點(diǎn)作為種子。張波等(<發(fā)明專利CN201410234220.0>，2014)提出基于信任的社會(huì)網(wǎng)絡(luò)影響節(jié)點(diǎn)的計(jì)算方法，基于節(jié)點(diǎn)的信任度和影響值得到節(jié)點(diǎn)的綜合影響，將節(jié)點(diǎn)的綜合影響和該節(jié)點(diǎn)當(dāng)前可以激活的節(jié)點(diǎn)數(shù)進(jìn)行綜合，找出潛在影響最大的節(jié)點(diǎn)。實(shí)際中，隨著在線社交網(wǎng)絡(luò)數(shù)據(jù)規(guī)模的增大，快速地選取初始用戶并最大化產(chǎn)品的傳播影響變得困難。目前公知的初始用戶選取方法，都只考慮小規(guī)模的和單機(jī)的社交網(wǎng)絡(luò)中的初始用戶選取方法，并最大化產(chǎn)品的影響傳播，未考慮大規(guī)模的社交網(wǎng)絡(luò)中初始用戶選取方法。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種社交網(wǎng)絡(luò)影響傳播中初始用戶選取方法，在k-殼分解基礎(chǔ)上對(duì)初始用戶選取方式進(jìn)行改進(jìn)，從而有效提高大規(guī)模社交網(wǎng)絡(luò)中初始用戶選擇的效率和有效性。為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明社交網(wǎng)絡(luò)影響傳播中初始用戶選取方法包括以下步驟：S1：對(duì)社交網(wǎng)絡(luò)進(jìn)行k-殼分解；S2：計(jì)算每個(gè)殼ks＝i內(nèi)應(yīng)選取的初始用戶數(shù)量q(ks＝i)，計(jì)算公式為：q(ks=i)=[Q×n(ks=i)N]]]>其中，Q表示預(yù)設(shè)的總初始用戶數(shù)量，n(ks＝i)表示ks＝i殼內(nèi)的用戶數(shù)量，N表示社交網(wǎng)絡(luò)總用戶數(shù)量，[]表示取整；刪除初始用戶數(shù)量q(ks＝i)為0的殼，剩下的殼為候選殼；S3：對(duì)于每個(gè)候選殼分別選取初始用戶，由這些初始用戶構(gòu)成社交網(wǎng)絡(luò)的初始用戶集合，每個(gè)候選殼的初始用戶選擇方法包括以下步驟：S3.1：令初始用戶序號(hào)d＝1，在候選殼ks＝i內(nèi)所有用戶中選取度數(shù)最大的用戶作為第1個(gè)初始用戶S3.2：如果d＜q(ks＝i)，進(jìn)入步驟S3.3，否則初始用戶選取結(jié)束；S3.3：建立影響傳播模型，得到初始用戶集合中每個(gè)初始用戶的激活集合其中g(shù)＝1，2，…，d；S3.4：分別計(jì)算初始用戶集合中每個(gè)初始用戶到其激活集合的最短路徑其計(jì)算公式為：SP(sks=ig)=Σu∈B(sks=ig)SP(sks=ig→u)|B(sks=ig)|]]>其中，u表示激活集合中的用戶，表示初始用戶到用戶u的最短路徑長(zhǎng)度，表示激活集合中的用戶數(shù)量；S3.5：計(jì)算當(dāng)前初始用戶集合中所有初始用戶到其激活集合的最短路徑的平均值，作為初始用戶集合的平均最短路徑MSP，其計(jì)算公式為：MSP=Σ1≤g≤dSP(sks=ig)|Sks=i|]]>其中，表示當(dāng)前初始用戶集合中初始用戶數(shù)量；S3.6：根據(jù)各個(gè)初始用戶的激活集合得到候選殼ks＝i中未被激活用戶集合C(ks＝i)；S3.7：如果未激活用戶集合初始用戶選取結(jié)束，否則進(jìn)入步驟S3.8；S3.8：獲取每個(gè)未被激活用戶vr的MSP步鄰居集合vr(MSP)，vr∈C(ks＝i)；S3.9：選取第d+1個(gè)初始用戶sks=id+1=vr=argmax(|vr(MSP)|-|vr(MSP)∩A(Sks=i)|)]]>其中，S3.10：令d＝d+1，返回步驟S3.2。本發(fā)明社交網(wǎng)絡(luò)影響傳播中初始用戶選取方法，首先對(duì)社交網(wǎng)絡(luò)進(jìn)行k-殼分解，然后分別計(jì)算每個(gè)殼應(yīng)選取的初始用戶數(shù)量，選擇初始用戶數(shù)量不為0的殼為候選殼，對(duì)于每個(gè)候選殼分別選取初始用戶，由這些初始用戶構(gòu)成社交網(wǎng)絡(luò)的初始用戶集合，選取初始用戶時(shí)，首先選取候選殼內(nèi)度數(shù)最大的用戶作為第1個(gè)初始用戶，然后根據(jù)影響傳播模型獲取初始用戶到對(duì)應(yīng)激活集合的平均最短路徑MSP，根據(jù)未被激活用戶的MSP步鄰居集合和激活用戶集合來(lái)選取下一個(gè)初始用戶。本發(fā)明具有以下技術(shù)效果：(1)基于k-殼分解方法，將社會(huì)網(wǎng)絡(luò)分解成若干個(gè)較小的殼，篩選出候選殼，在每個(gè)候選殼中分別進(jìn)行初始用戶選取，可以有效提高算法效率；而且本發(fā)明中存在大量可并行處理的步驟，還可以通過(guò)并行處理來(lái)大幅度提高算法效率，從而可以更好地適應(yīng)大規(guī)模社交網(wǎng)絡(luò)；(2)本發(fā)明提出了新的初始用戶選取方法，通過(guò)計(jì)算已選取初始用戶的影響效果來(lái)確定后續(xù)初始用戶，更能體現(xiàn)社交網(wǎng)絡(luò)的特點(diǎn)，從而使選擇的初始用戶更有效。附圖說(shuō)明圖1是本發(fā)明社交網(wǎng)絡(luò)影響傳播中初始用戶選取方法的具體實(shí)施方式流程圖；圖2是本發(fā)明中生成候選殼的流程圖；圖3是本發(fā)明中在候選殼內(nèi)選取初始用戶的流程圖；圖4是本實(shí)施例中社交網(wǎng)絡(luò)圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行描述，以便本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當(dāng)已知功能和設(shè)計(jì)的詳細(xì)描述也許會(huì)淡化本發(fā)明的主要內(nèi)容時(shí)，這些描述在這里將被忽略。圖1是本發(fā)明社交網(wǎng)絡(luò)影響傳播中初始用戶選取方法的具體實(shí)施方式流程圖。如圖1所示，本發(fā)明社交網(wǎng)絡(luò)影響傳播中初始用戶選取方法的具體步驟包括：S101：對(duì)社交網(wǎng)絡(luò)進(jìn)行k-殼分解：一般來(lái)說(shuō)，社交網(wǎng)絡(luò)表示為一個(gè)無(wú)向無(wú)環(huán)圖G＝(V,E)，其中：V＝{v1,v2,…,vN}為用戶的集合，N為G中用戶的個(gè)數(shù)，E＝{e1,e2,…,eM}為無(wú)向邊的集合，表示社交網(wǎng)絡(luò)中用戶之間的聯(lián)系，M為G中邊的數(shù)量。對(duì)于較為復(fù)雜的社交網(wǎng)絡(luò)，k-殼分解是尋找網(wǎng)絡(luò)中心節(jié)點(diǎn)的一種重要手段。在本發(fā)明中，由于針對(duì)的是大規(guī)模社交網(wǎng)絡(luò)，因此首先對(duì)社交網(wǎng)絡(luò)進(jìn)行k-殼分解，得到若干個(gè)ks＝i殼，i表示殼參數(shù)。k-殼分解是社交網(wǎng)絡(luò)分析的常用手段，其具體過(guò)程在此不再贅述，可以參見(jiàn)文獻(xiàn)“Kitsak,M.,Gallos,L.K.,Havlin,S.,Liljeros,F.,Muchnik,L.,Stanley,H.E.,Makse,H.A.Identificationofinfluentialspreadersincomplexnetworks.Naturephysics,6(11),pp.888-893(2010)”。S102：生成候選殼：計(jì)算每個(gè)殼的用戶數(shù)量，根據(jù)殼內(nèi)的用戶數(shù)量計(jì)算得到該殼的初始用戶數(shù)量，并生成候選殼。圖2是本發(fā)明中生成候選殼的流程圖。如圖2所示，本發(fā)明中生成候選殼的具體方法為：S201：計(jì)算殼內(nèi)用戶數(shù)量：計(jì)算構(gòu)成每個(gè)殼的用戶數(shù)量n(ks＝i)。S202：計(jì)算殼內(nèi)初始用戶數(shù)量：計(jì)算每個(gè)殼內(nèi)用戶數(shù)量n(ks＝i)在總用戶數(shù)量N中所占比例，根據(jù)預(yù)設(shè)的總初始用戶數(shù)量Q來(lái)計(jì)算每個(gè)殼ks＝i內(nèi)應(yīng)選取的初始用戶數(shù)量q(ks＝i)，其計(jì)算公式為q(ks=i)=[Q×n(ks=i)N]---(1)]]>其中，[]表示取整。S203：選取候選殼：根據(jù)步驟S202計(jì)算得到各個(gè)殼的初始用戶數(shù)量，刪除初始用戶數(shù)量q(ks＝i)為0的殼，剩下的殼為候選殼。例如，有ks＝1、ks＝2和ks＝3三個(gè)殼，它們應(yīng)選取的初始用戶數(shù)量分別為q(ks＝1)＝0、q(ks＝2)＝1和q(ks＝3)＝2，則候選殼為ks＝2和ks＝3的兩個(gè)殼。S103：選取初始用戶：對(duì)于每個(gè)候選殼，根據(jù)步驟S202計(jì)算得到的初始用戶數(shù)量分別進(jìn)行初始用戶選取，由這些初始用戶構(gòu)成社交網(wǎng)絡(luò)的初始用戶集合。圖3是本發(fā)明中在候選殼內(nèi)選取初始用戶的流程圖。如圖3所示，在候選殼內(nèi)選取初始用戶的具體步驟包括：S301：選取第d＝1個(gè)初始用戶：令初始用戶序號(hào)d＝1，在候選殼ks＝i內(nèi)所有用戶中，選取候選殼ks＝i所對(duì)應(yīng)網(wǎng)絡(luò)中度數(shù)最大的用戶作為第1個(gè)初始用戶加入候選殼ks＝i的初始用戶集合其表達(dá)式可以表示為：Sks=i1=argmax(d(vj))vj∈Gks=i---(2)]]>其中，d(vj)表示用戶vj在社交網(wǎng)絡(luò)中的度數(shù)，表示候選殼ks＝i中用戶的社交網(wǎng)絡(luò)。S302：判斷是否d＜q(ks＝i)，如果是，進(jìn)入步驟S303，否則說(shuō)明該候選殼初始用戶的數(shù)量已經(jīng)要求，初始用戶選取結(jié)束。S303：獲取每個(gè)初始用戶的激活集合：建立影響傳播模型，得到初始用戶集合中每個(gè)初始用戶的激活集合其中g(shù)＝1，2，…，d。影響傳播模型是社會(huì)網(wǎng)絡(luò)分析的重要工具，目前常用的影響傳播模型有獨(dú)立級(jí)聯(lián)模型和線性閾值模型等，可以根據(jù)實(shí)際需要進(jìn)行選擇。本實(shí)施例中選用熱擴(kuò)散模型，這是因?yàn)闊釘U(kuò)散模型中具有時(shí)間參數(shù)，可以更好地反映病毒式營(yíng)銷中的影響傳播。熱擴(kuò)散模型所需設(shè)置的參數(shù)包括熱擴(kuò)散參數(shù)α、熱擴(kuò)散時(shí)間t、近似次數(shù)P和激活閾值θ(用戶購(gòu)買產(chǎn)品的閾值)，熱擴(kuò)散的方法可表示為：fks=i(t)=(I+αtPHks=i)P×fks=i(0)---(3)]]>其中，為一個(gè)向量，表示候選殼ks＝i中各用戶受到的影響(即接收到的熱量)，中每個(gè)元素表示對(duì)應(yīng)用戶受到初始用戶的影響程度。初始影響向量表示未擴(kuò)散時(shí)的影響向量，即初始用戶僅影響自身時(shí)的影響向量。若用戶受到的影響大于θ，則用戶被激活，若小于θ，則用戶不被激活。I為單位矩陣，為n(ks＝i)×n(ks＝i)的方陣。在H中，如果任意兩個(gè)用戶之間有邊，則對(duì)應(yīng)位置元素值為1；否則為0；方陣中對(duì)角線位置的元素值為用戶度數(shù)的負(fù)值，方陣中的元素可表示為：其中，x,y＝1,2,,n(ks＝i),表示候選殼ks＝i對(duì)應(yīng)社交網(wǎng)絡(luò)的邊集合。顯然，在熱擴(kuò)散模型中，根據(jù)計(jì)算得到的影響向量中各個(gè)元素的值，即可得到該元素對(duì)應(yīng)的用戶是否被初始用戶激活，從而得到初始用戶集合中每個(gè)初始用戶的激活集合即得到每個(gè)初始用戶的影響效果。S304：計(jì)算每個(gè)初始用戶的平均最短路徑：分別計(jì)算初始用戶集合中每個(gè)初始用戶到其激活集合的最短路徑其計(jì)算公式為：SP(sks=ig)=Σu∈B(sks=ig)SP(sks=ig→u)|B(sks=ig)|---(5)]]>其中，u表示激活集合中的用戶，表示初始用戶到用戶u的最短路徑長(zhǎng)度，也就是中間用戶最少的路徑長(zhǎng)度，路徑長(zhǎng)度即為中間用戶數(shù)量。表示激活集合中的用戶數(shù)量。S305：計(jì)算初始用戶集合的平均最短路徑：計(jì)算當(dāng)前初始用戶集合中所有初始用戶到其激活集合的最短路徑的平均值，作為初始用戶集合的平均最短路徑MSP，其計(jì)算公式為：MSP=Σ1≤g≤dSP(sks=ig)|Sks=i|---(6)]]>其中，表示當(dāng)前初始用戶集合中初始用戶數(shù)量，即S306：獲取未激活用戶集合：根據(jù)各個(gè)初始用戶的激活集合得到候選殼ks＝i中未被激活的用戶C(ks＝i)，即各個(gè)初始用戶激活集合的合集以外的用戶。S307：判斷是否未激活用戶集合如果是，則說(shuō)明候選殼ks＝i當(dāng)前已選取的初始用戶已經(jīng)可以激活該候選殼的所有用戶，不需要再選取新的初始用戶了，因此初始用戶選取結(jié)束，否則進(jìn)入步驟S308。S308：獲取未激活用戶的MSP步鄰居集合：獲取每個(gè)未被激活用戶vr的MSP步鄰居集合vr(MSP)，vr∈C(ks＝i)。S309：選取第d+1個(gè)初始用戶：選取MSP步鄰居集合vr(MSP)中用戶數(shù)量減去MSP步鄰居集合V(MSP)與激活集合的合集的交集用戶數(shù)量所得差值最大的未被激活用戶vr作為第d+1個(gè)初始用戶，其表達(dá)式為：sks=id+1=vr=argmax(|vr(MSP)|-|vr(MSP)∩A(Sks=i)|)---(7)]]>其中，S310：令d＝d+1，返回步驟S302。根據(jù)以上流程說(shuō)明可知，在本發(fā)明中，存在大量的并行計(jì)算或處理步驟，例如每個(gè)殼的初始用戶數(shù)量計(jì)算、候選殼中初始用戶選取、初始用戶選取中各個(gè)用戶度數(shù)計(jì)算、初始用戶到激活用戶的最短路徑、未激活用戶的MSP步鄰居集合等，對(duì)于這些步驟可以采用并行處理方式，在大規(guī)模社會(huì)網(wǎng)絡(luò)中，由于用戶數(shù)量眾多，采用并行處理方式可以大大節(jié)約時(shí)間，從而提高在大規(guī)模社會(huì)網(wǎng)絡(luò)中進(jìn)行初始用戶選取的效率。實(shí)施例為了更好地說(shuō)明本發(fā)明的技術(shù)方案和效果，采用一個(gè)具體的社交網(wǎng)絡(luò)為例對(duì)本發(fā)明進(jìn)行說(shuō)明。圖4是本實(shí)施例中社交網(wǎng)絡(luò)圖。如圖4所示，本實(shí)施例的社交網(wǎng)絡(luò)包括13個(gè)用戶，即v1至v13。對(duì)社交網(wǎng)絡(luò)進(jìn)行k-殼分解，各個(gè)用戶在社交網(wǎng)絡(luò)中的度數(shù)分別為：d(v1)＝d(v3)＝d(v4)＝d(v5)＝d(v6)＝d(v12)＝d(v13)＝1，d(v2)＝6、d(v7)＝4、d(v8)＝d(v9)＝d(v10)＝2、d(v11)＝3。移除度數(shù)為1的用戶節(jié)點(diǎn)，即v1、v3～v6、v12、v13，并刪除與它們相連的邊，重新并行地計(jì)算剩下用戶的度數(shù)，得到d(v2)＝d(v11)＝1、d(v7)＝4、d(v8)＝d(v9)＝d(v10)＝2，再刪除用戶v2和v11，以及與它們相連的邊，剩下的用戶度數(shù)為d(v7)＝d(v8)＝d(v9)＝d(v10)＝2。因此可知用戶v1～v6、v11～v13這9個(gè)用戶構(gòu)成k-殼為1的用戶，把這些用戶原來(lái)的邊連起來(lái)，構(gòu)成ks＝1的殼，其余的4個(gè)用戶v7～v10構(gòu)成ks＝2的殼，其k-殼分解的結(jié)果也在圖4中標(biāo)示了出來(lái)。本實(shí)施例中，設(shè)置總初始用戶數(shù)量n＝3，那么根據(jù)公式(1)可以計(jì)算得到ks＝1和ks＝2的初始用戶數(shù)量q(ks＝1)＝2.076≈2，q(ks＝2)＝0.923≈1。可知本實(shí)施例中兩個(gè)殼的初始用戶數(shù)量均不為0，因此兩個(gè)殼均為候選殼。那么下面需要在兩個(gè)殼中分別選取第1個(gè)初始用戶。對(duì)于ks＝1殼，其中用戶v2在ks＝1殼所對(duì)應(yīng)的網(wǎng)絡(luò)中度數(shù)最大(d(v2)＝5)，因此選擇用戶v2作為第1個(gè)初始用戶，即對(duì)于ks＝2殼，其中每個(gè)用戶在ks＝2殼所對(duì)應(yīng)的網(wǎng)絡(luò)中度數(shù)均為2，因此任意選擇一個(gè)用戶作為第1個(gè)初始用戶，此處選擇v8，即然后建立分別建立每個(gè)候選殼的影響傳播模模型。本實(shí)施例中采用熱擴(kuò)散模型。給定熱擴(kuò)散系數(shù)α＝0.5、擴(kuò)散時(shí)間t＝1、近似計(jì)算步驟P＝30、用戶激活閾值θ＝0.15和初始用戶的熱量為1。由于擴(kuò)散時(shí)間為0時(shí)初始用戶只會(huì)影響自身，因此和分別為和然后采用公式(4)分別計(jì)算ks＝1殼中以用戶v2為初始用戶、ks＝2殼中以用戶v8作為初始用戶，殼內(nèi)用戶受到的影響，得到的矩陣和分別為：分別計(jì)算ks＝1殼和ks＝2殼中初始用戶v2和初始用戶v8傳播到各個(gè)用戶的熱量，也就是計(jì)算初始用戶v2和v8的影響傳播效果，并通過(guò)用戶激活閾值θ＝0.15判斷用戶激活狀態(tài)。表1是ks＝1殼中初始用戶v2到各個(gè)用戶的熱量及激活狀態(tài)。表2是ks＝2殼初始用戶v8到各個(gè)用戶的熱量及激活狀態(tài)。表1表2由于在ks＝2殼中只需要選擇一個(gè)初始用戶，因此接下來(lái)還要在ks＝1殼中再選擇第2個(gè)初始用戶。從表1中可得出，用戶v1、v3v6都處于激活狀態(tài)，也就是受到初始用戶v2的影響，用戶v1、v3v6都會(huì)購(gòu)買產(chǎn)品，即初始用戶v2的激活集合B(v2)＝{v1,v3,v4,v5,v6}。分別計(jì)算第1個(gè)初始用戶v2到v1、v3v6最短路徑，表示為SP(v2→)。表3是初始用戶v2到被影響用戶的最短路徑。激活用戶v1v3v4v5v6SP(v2→)11111表3那么初始用戶v2到其激活集合的最短路徑SP(v2)＝1，由于此時(shí)初始用戶集合中只有初始用戶v2，因此初始用戶集合的平均最短路徑MSP＝1。然后獲取ks＝1殼中未被激活的用戶集合C(ks＝1)＝{v11,v12,v13}，分別獲取每個(gè)未激活用戶的1步鄰居集合，然后求取1步鄰居集合與激活用戶集合交集的用戶數(shù)量。表4是1步鄰居集合、交集用戶數(shù)量及差值統(tǒng)計(jì)表。未被激活用戶1步鄰居個(gè)數(shù)交集個(gè)數(shù)差值v11202v12101v13101表4根據(jù)表4可知，差值最大的未被激活用戶為用戶v11，因此選擇用戶v11作為ks＝1殼的第2個(gè)初始用戶，完成初始用戶選取。最終本實(shí)施例中社交網(wǎng)絡(luò)所選取的初始用戶為v2、v8和v11。為了說(shuō)明本發(fā)明的技術(shù)效果，根據(jù)熱擴(kuò)散模型計(jì)算ks＝1殼中初始用戶為v2和v11時(shí)的影響效果。表5是ks＝1殼中初始用戶v2和v11到各個(gè)用戶的熱量及激活狀態(tài)。表5根據(jù)表2和表5可知，ks＝2殼初始用戶v8激活的用戶數(shù)量為3，ks＝1殼中初始用戶v2和v11激活的用戶數(shù)量為9，因此初始用戶v2、v8和v11激活的用戶總量為12，也就是在初始用戶v2、v8和v11的影響下有12個(gè)用戶購(gòu)買產(chǎn)品，所激活用戶占總用戶數(shù)量的92％，可見(jiàn)所選擇的初始用戶是有效的。盡管上面對(duì)本發(fā)明說(shuō)明性的具體實(shí)施方式進(jìn)行了描述，以便于本
技術(shù)領(lǐng)域：
的技術(shù)人員理解本發(fā)明，但應(yīng)該清楚，本發(fā)明不限于具體實(shí)施方式的范圍，對(duì)本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來(lái)講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些變化是顯而易見(jiàn)的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護(hù)之列。當(dāng)前第1頁(yè)1 2 3