本發(fā)明涉及社交網(wǎng)絡(luò)技術(shù)領(lǐng)域，具體地，涉及一種基于局部影響力計算的影響力阻斷最大化方法，可用于社交網(wǎng)絡(luò)信息傳播控制。

背景技術(shù)：

社交網(wǎng)絡(luò)中的影響力傳播分析對社交網(wǎng)絡(luò)信息傳播控制有重要作用。社交網(wǎng)絡(luò)上謠言等惡意信息傳播可能會對經(jīng)濟(jì)發(fā)展、社會穩(wěn)定和國家安全等造成重大危害。為了使社交網(wǎng)絡(luò)成為更可靠的信息傳播平臺，需要采取有效的策略來減少惡意信息傳播的危害。當(dāng)用戶接受針對某個壞信息的好信息后，用戶將不再接受該壞信息，因此可以在社交網(wǎng)絡(luò)上發(fā)布好信息來遏制相應(yīng)的壞信息的傳播。傳播壞信息的信源稱為負(fù)面種子群，而傳播好信息的信源稱為正面種子群。

經(jīng)對現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，影響力阻斷最大化問題在很多傳播模型下是np-hard的，但是其目標(biāo)函數(shù)在有些傳播模型下具有子模性，因此貪心算法可以獲得1-1/e的近似比。但是計算影響力的阻斷范圍是很困難的，通常采用蒙特卡洛模擬來估計影響力的阻斷范圍。然而，為了保證估計精度，需要進(jìn)行大量蒙特卡洛模擬，因此需要耗費(fèi)大量時間，不利于在大規(guī)模社交網(wǎng)絡(luò)上即時采取應(yīng)對惡意信息傳播的策略。在影響力最大化相關(guān)研究中，有研究者提出在局部結(jié)構(gòu)中近似快速計算影響力范圍，影響力最大化和影響力阻斷最大化問題有很多相似之處，影響力范圍的快速計算方法為影響力阻斷范圍的快速計算提供了新思路。

給定一個負(fù)面種子群，影響力阻斷最大化問題旨在發(fā)現(xiàn)一個正面種子群來發(fā)布正面信息，正面信息和負(fù)面信息競爭傳播，使負(fù)面信息的傳播范圍的阻斷最大。he等人于2012年在國際會議《sdm》上發(fā)表題為“influenceblockingmaximizationinsocialnetworksunderthecompetitivelinearthresholdmodel”的文章，文中研究競爭線性閾值模型下的影響力阻斷最大化問題。他們證明該問題在競爭線性閾值模型下是np-hard，其目標(biāo)函數(shù)在該模型下具有子模性，因此貪心算法能夠獲得1-1/e的近似保證比。貪心算法速度太慢，他們基于dag結(jié)構(gòu)提出了速度更快的算法cldag，該算法利用了在dag結(jié)構(gòu)中能夠快速近似計算傳播影響的性質(zhì)。budak等人于2011年在國際會議《www》上發(fā)表題為“l(fā)imitingthespreadofmisinformationinsocialnetworks”的文章，文中在競爭無意識獨(dú)立級聯(lián)模型(coicm)下研究傳播阻斷最大化問題。他們證明該問題在這兩個模型下是np-hard，并且該問題的目標(biāo)函數(shù)在兩個模型下具有子模性，因此貪心算法能夠獲得1-1/e的近似保證比。但是貪心算法速度太慢，無法適用于大規(guī)模社交網(wǎng)絡(luò)。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種基于局部影響力計算的影響力阻斷最大化方法，速度更快，性能更好。

為達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案如下：

一種基于局部影響力計算的影響力阻斷最大化方法，包括如下步驟：

步驟1：輸入網(wǎng)絡(luò)g、負(fù)種子群sn、正種子群規(guī)模k，網(wǎng)絡(luò)每條邊賦予一個傳播概率；

步驟2：確定負(fù)影響傳播范圍negs；

步驟3：計算所有節(jié)點(diǎn)的初始阻斷負(fù)影響decinf(v)；

步驟4：選擇阻斷負(fù)影響最大的節(jié)點(diǎn)u；

步驟5：將u加入正種子群sp，更新所有相關(guān)節(jié)點(diǎn)的阻斷負(fù)影響decinf(v)；

步驟6：判斷正種子群是否達(dá)到規(guī)模，若達(dá)到規(guī)模，則執(zhí)行步驟7；若沒有達(dá)到規(guī)模，則執(zhí)行步驟4；

步驟7：輸出正種子群。

優(yōu)選地，所述步驟2包括：

步驟2.1：對負(fù)種子群中每個節(jié)點(diǎn)u構(gòu)造該節(jié)點(diǎn)的最大影響出樹mioa(u,θ)，最大影響出樹由從該節(jié)點(diǎn)出發(fā)的所有傳播概率大于一個閾值θ的最大影響路徑的并集組成；

步驟2.2：負(fù)種子群中所有節(jié)點(diǎn)的最大影響出樹的并集組成負(fù)影響傳播范圍。

優(yōu)選地，所述步驟3包括：

步驟3.1：對負(fù)影響傳播范圍內(nèi)的每個節(jié)點(diǎn)u，循環(huán)執(zhí)行步驟3.2到3.6；

步驟3.2：構(gòu)造該節(jié)點(diǎn)的最大影響入樹miia(u,θ)，最大影響入樹由到該節(jié)點(diǎn)的所有傳播概率大于一個閾值θ的最大影響路徑的并集組成；

步驟3.3：計算u在miia(u,θ)中的負(fù)激活概率apⁿ(u,sn,sp,miia(u,θ))；

步驟3.4：對miia(u,θ)中的每個節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟3.5到3.6；

步驟3.5：計算u在正種子群為sp∪{v}時的負(fù)激活概率apⁿ(u,sn,sp∪{v},miia(u,θ))；

步驟3.6：按以下公式累加計算v的阻斷負(fù)影響decinf(v)：

decinf(v)+＝apⁿ(u,sn,sp,miia(u,θ))-apⁿ(u,sn,sp∪{v},miia(u,θ))。

優(yōu)選地，所述步驟5包括：

步驟5.1：構(gòu)造選擇的阻斷負(fù)影響最大的節(jié)點(diǎn)u的最大影響出樹mioa(u,θ)；

步驟5.2：對mioa(u,θ)中的每個節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟5.3到5.5；

步驟5.3：構(gòu)造v的最大影響入樹miia(v,θ)；

步驟5.4：對miia(v,θ)中的每個節(jié)點(diǎn)w，循環(huán)執(zhí)行步驟5.5

步驟5.5：按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)-＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟5.6：將節(jié)點(diǎn)u加入到正種子群sp；

步驟5.7：對mioa(u,θ)\{u}中的每個節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟5.8到5.12；

步驟5.8：構(gòu)造v的最大影響入樹miia(v,θ)；

步驟5.9：計算v的負(fù)激活概率apⁿ(v,sn,sp,miia(v,θ))；

步驟5.10：對miia(v,θ)中的每個節(jié)點(diǎn)w，循環(huán)執(zhí)行步驟5.11到5.12；

步驟5.11：計算v在正種子群為sp∪{w}時的負(fù)激活概率apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟5.12：按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)+＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：

1、根據(jù)本發(fā)明提供的基于局部影響力計算的影響力阻斷最大化方法，具有和貪心算法相近的負(fù)影響阻斷性能，但是比貪心算法快超過三個數(shù)量級。

2、根據(jù)本發(fā)明提供的基于局部影響力計算的影響力阻斷最大化方法，在大部分網(wǎng)絡(luò)上比其他基礎(chǔ)的啟發(fā)式算法的負(fù)影響阻斷性能好。

附圖說明

通過閱讀參照以下附圖對非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明的其它特征、目的和優(yōu)點(diǎn)將會變得更明顯：

圖1為本發(fā)明提供的基于局部影響力計算的影響力阻斷最大化方法的流程圖；

圖2為本發(fā)明和多個已有方法之間在小規(guī)模網(wǎng)絡(luò)email網(wǎng)絡(luò)上的影響力阻斷有效性性能對比圖，其中：

圖(a)為trivalency模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(b)為wc模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(c)各算法的運(yùn)行時間；

圖3為本發(fā)明和多個已有方法之間在三個大規(guī)模網(wǎng)絡(luò)上的影響力阻斷有效性性能對比圖，其中：

圖(a)為nethept網(wǎng)絡(luò)上trivalency模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(b)為nethept網(wǎng)絡(luò)上wc模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(c)為netphy網(wǎng)絡(luò)上trivalency模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(d)為netphy網(wǎng)絡(luò)上wc模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(e)為dblp網(wǎng)絡(luò)上trivalency模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(f)為dblp網(wǎng)絡(luò)上wc模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例對本發(fā)明進(jìn)行詳細(xì)說明。以下實(shí)施例將有助于本鄰域的技術(shù)人員進(jìn)一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是，對本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)。這些都屬于本發(fā)明的保護(hù)范圍。

為了更清楚地說明本發(fā)明中的技術(shù)方案，列舉如下的具體的實(shí)施例進(jìn)一步說明：

根據(jù)本發(fā)明提供的基于局部影響力計算的影響力阻斷最大化方法，包括如下步驟：

步驟s1、輸入網(wǎng)絡(luò)g、負(fù)種子群sn、正種子群規(guī)模k，為網(wǎng)絡(luò)每條邊賦予一個傳播概率，傳播概率表示當(dāng)前時刻激活的節(jié)點(diǎn)在下一時刻激活其未被激活的鄰居的概率；

步驟s2、根據(jù)負(fù)種子群中每個節(jié)點(diǎn)的最大影響出樹mioa(u,θ)確定負(fù)影響傳播范圍negs；

所述的步驟s2，具體為：

步驟s21、對負(fù)種子群中每個節(jié)點(diǎn)u構(gòu)造該節(jié)點(diǎn)的最大影響出樹mioa(u,θ)，最大影響出樹由從該節(jié)點(diǎn)出發(fā)的所有傳播概率大于一個閾值θ的最大影響路徑的并集組成；

步驟s22、負(fù)種子群中所有節(jié)點(diǎn)的最大影響出樹的并集組成負(fù)影響傳播范圍；

步驟s3、根據(jù)節(jié)點(diǎn)加入正種子群前后相關(guān)節(jié)點(diǎn)負(fù)激活概率的變化計算所有節(jié)點(diǎn)的初始阻斷負(fù)影響decinf(v)；

所述的步驟s3，具體為：

步驟s31、對負(fù)影響傳播范圍內(nèi)的每個節(jié)點(diǎn)u，循環(huán)執(zhí)行步驟32到36；

步驟s32、構(gòu)造該節(jié)點(diǎn)的最大影響入樹miia(u,θ)，最大影響入樹由到該節(jié)點(diǎn)的所有傳播概率大于一個閾值θ的最大影響路徑的并集組成；

步驟s33、計算u在miia(u,θ)中的負(fù)激活概率apⁿ(u,sn,sp,miia(u,θ))；

步驟s34、對miia(u,θ)中的每個節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟35到36；

步驟s35、計算u在正種子群為sp∪{v}時的負(fù)激活概率apⁿ(u,sn,sp∪{v},miia(u,θ))；

步驟s36、按以下公式累加計算v的阻斷負(fù)影響decinf(v)：

decinf(v)+＝apⁿ(u,sn,sp,miia(u,θ))-apⁿ(u,sn,sp∪{v},miia(u,θ))；

步驟s4、選擇阻斷負(fù)影響最大的節(jié)點(diǎn)u；

步驟s5、將u加入正種子群sp，更新所有相關(guān)節(jié)點(diǎn)的阻斷負(fù)影響decinf(v)；

所述的步驟s5，具體為：

步驟s51、構(gòu)造選擇的阻斷負(fù)影響最大的節(jié)點(diǎn)u的最大影響出樹mioa(u,θ)；

步驟s52、對mioa(u,θ)中的每個節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟s53到s55；

步驟s53、構(gòu)造v的最大影響入樹miia(v,θ)；

步驟s54、對miia(v,θ)中的每個節(jié)點(diǎn)w，循環(huán)執(zhí)行步驟s55

步驟s55、按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)-＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟s56、將節(jié)點(diǎn)u加入到正種子群sp；

步驟s57、對mioa(u,θ)\{u}中的每個節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟s58到s512；

步驟s58、構(gòu)造v的最大影響入樹miia(v,θ)；

步驟s59、計算v的負(fù)激活概率apⁿ(v,sn,sp,miia(v,θ))；

步驟s510、對miia(v,θ)中的每個節(jié)點(diǎn)w，循環(huán)執(zhí)行步驟s511到s512；

步驟s511、計算v在正種子群為sp∪{w}時的負(fù)激活概率apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟s512、按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)+＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟s6、判斷正種子群是否達(dá)到規(guī)模，若達(dá)到規(guī)模，則執(zhí)行步驟s7；若沒有達(dá)到規(guī)模，則執(zhí)行步驟s4；

步驟s7、輸出正種子群。

為使本實(shí)施例要解決的技術(shù)問題、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對本實(shí)施例進(jìn)行詳細(xì)描述。

如圖1所示，本實(shí)施例提供的基于局部影響力計算的影響力阻斷最大化方法，包括如下步驟：

步驟s1、輸入網(wǎng)絡(luò)g、負(fù)種子群sn、正種子群規(guī)模k，為網(wǎng)絡(luò)每條邊賦予一個傳播概率，傳播概率表示當(dāng)前時刻激活的節(jié)點(diǎn)在下一時刻激活其未被激活的鄰居的概率；

步驟s2、根據(jù)負(fù)種子群中每個節(jié)點(diǎn)的最大影響出樹mioa(u,θ)確定負(fù)影響傳播范圍negs，對負(fù)種子群中每個節(jié)點(diǎn)u構(gòu)造該節(jié)點(diǎn)的最大影響出樹mioa(u,θ)，最大影響出樹由從該節(jié)點(diǎn)出發(fā)的所有傳播概率大于一個閾值θ的最大影響路徑的并集組成，負(fù)種子群中所有節(jié)點(diǎn)的最大影響出樹的并集組成負(fù)影響傳播范圍；

步驟s3、根據(jù)節(jié)點(diǎn)加入正種子群前后相關(guān)節(jié)點(diǎn)負(fù)激活概率的變化計算所有節(jié)點(diǎn)的初始阻斷負(fù)影響decinf(v)，對負(fù)影響傳播范圍內(nèi)的每個節(jié)點(diǎn)u，構(gòu)造該節(jié)點(diǎn)的最大影響入樹miia(u,θ)，最大影響入樹由到該節(jié)點(diǎn)的所有傳播概率大于一個閾值θ的最大影響路徑的并集組成，計算u在miia(u,θ)中的負(fù)激活概率apⁿ(u,sn,sp,miia(u,θ))；對miia(u,θ)中的每個節(jié)點(diǎn)v，計算u在正種子群為sp∪{v}時的負(fù)激活概率apⁿ(u,sn,sp∪{v},miia(u,θ))，按以下公式累加計算v的阻斷負(fù)影響decinf(v)：

decinf(v)+＝apⁿ(u,sn,sp,miia(u,θ))-apⁿ(u,sn,sp∪{v},miia(u,θ))；

步驟s4、選擇阻斷負(fù)影響最大的節(jié)點(diǎn)u；

步驟s5、將u加入正種子群sp，更新所有相關(guān)節(jié)點(diǎn)的阻斷負(fù)影響，構(gòu)造選擇的阻斷負(fù)影響最大的節(jié)點(diǎn)u的最大影響出樹mioa(u,θ)，對mioa(u,θ)中的每個節(jié)點(diǎn)v，構(gòu)造v的最大影響入樹miia(v,θ)；對miia(v,θ)中的每個節(jié)點(diǎn)w，按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)-＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))；

將節(jié)點(diǎn)u加入到正種子群sp；對mioa(u,θ)\{u}中的每個節(jié)點(diǎn)v，構(gòu)造v的最大影響入樹miia(v,θ)，計算v的負(fù)激活概率apⁿ(v,sn,sp,miia(v,θ))；對miia(v,θ)中的每個節(jié)點(diǎn)w，計算v在正種子群為sp∪{w}時的負(fù)激活概率apⁿ(v,sn,sp∪{w},miia(v,θ))，按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)+＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟s6、判斷正種子群是否達(dá)到規(guī)模，若達(dá)到規(guī)模，則執(zhí)行步驟s7；若沒有達(dá)到規(guī)模，則執(zhí)行步驟s4；

步驟s7、輸出正種子群。

本實(shí)施例的有效性可以通過下面的仿真實(shí)驗來進(jìn)一步說明。需要說明的是，實(shí)驗中應(yīng)用的參數(shù)不影響本發(fā)明的一般性。

1)仿真條件：

cpuinteli7-3770s3.10ghz，ram16.00gb，操作系統(tǒng)windows10，仿真程序編寫語言。

2)仿真內(nèi)容：

在四個真實(shí)網(wǎng)絡(luò)上進(jìn)行實(shí)驗來評估算法的效率和效果。四個真實(shí)網(wǎng)絡(luò)為email、nethept、netphy和dblp。roviraivirili大學(xué)的email網(wǎng)絡(luò)將每個email地址當(dāng)作一個節(jié)點(diǎn)，如果兩個節(jié)點(diǎn)之間存在通信，則將它們連接起來。nethept、netphy和dblp是三個學(xué)術(shù)合作網(wǎng)絡(luò)，節(jié)點(diǎn)表示作者，兩個節(jié)點(diǎn)之間的邊表示兩個作者至少合作一篇論文。采用trivalency模型和wc模型來設(shè)置mcicm中的負(fù)面?zhèn)鞑ジ怕屎蚦oicm中的傳播概率。在trivalency模型中，為每條邊從集合{0.2,0.05,0.01}中隨機(jī)選擇一個傳播概率，分別對應(yīng)于高、中、低的傳播概率。在wc模型中，邊(u,v)的傳播概率設(shè)置為1/dv，其中dv為節(jié)點(diǎn)v的入度。

本實(shí)施例在仿真實(shí)驗中用cima-o表示。

將本實(shí)施例與4個其他的影響力阻斷最大化方法進(jìn)行仿真對比。這4個方法如下，budak等人于2011年在國際會議《www》上發(fā)表文章“l(fā)imitingthespreadofmisinformationinsocialnetworks”中提出的greedy-h方法，該方法每次估計影響力時進(jìn)行10000次蒙特卡洛模擬；budak等人于2011年在國際會議《www》上發(fā)表文章“l(fā)imitingthespreadofmisinformationinsocialnetworks”中提出的proximity方法，該方法從負(fù)面種子的直接出鄰居中選擇正面種子，所有直接出鄰居按負(fù)面激活概率排序，前k個負(fù)面激活概率最大的節(jié)點(diǎn)被選為正面種子；degree方法，該方法選擇前k個度最大的節(jié)點(diǎn)作為正面種子；random方法，該方法隨機(jī)選擇節(jié)點(diǎn)作為正面種子。

仿真實(shí)驗在小規(guī)模網(wǎng)絡(luò)email網(wǎng)絡(luò)上的影響力阻斷有效性性能如圖2的(a)～(c)所示，在trivalency模型下，cmia-o比random、degree、proximity和greedy-o分別好32.8％、4.8％、8.4％和3.0％；在wc模型下，cmia-o比random、degree、proximity和greedy-o分別好57.6％、7.5％、4.0％和6.3％；greedy-o花費(fèi)超過6小時，而cmia-o只需要幾秒鐘，因此cmia-o方法比貪心算法快超過三個數(shù)量級。在三個大規(guī)模網(wǎng)絡(luò)上的影響力阻斷有效性性能如圖3的(a)～(f)所示，在trivalency模型下，cmia-o平均比random、degree和proximity分別好105％、5.5％和13.5％；在wc模型下，cmia-o平均比random、degree和proximity分別好1000％、86.7％和17.7％。

本實(shí)施例提供的基于局部影響力計算的影響力阻斷最大化方法，可用于社交網(wǎng)絡(luò)信息傳播控制。本實(shí)施例基于節(jié)點(diǎn)的局部結(jié)構(gòu)近似計算節(jié)點(diǎn)的負(fù)激活概率；基于負(fù)激活概率計算節(jié)點(diǎn)的負(fù)阻斷影響；迭代選擇負(fù)阻斷影響最大的節(jié)點(diǎn)作為正種子；更新節(jié)點(diǎn)的負(fù)阻斷影響。

以上對本發(fā)明的具體實(shí)施例進(jìn)行了描述。需要理解的是，本發(fā)明并不局限于上述特定實(shí)施方式，本鄰域技術(shù)人員可以在權(quán)利要求的范圍內(nèi)做出各種變形或修改，這并不影響本發(fā)明的實(shí)質(zhì)內(nèi)容。