社会网络结构及影响力分析方法研究

摘要

21世纪是人类高度依赖社会网络、深度融入信息社会的世纪。社会网络正在不断地改变着人类的行为模式和社会形态，影响着社会经济的发展以及人们的生活方式。结构特征是社会网络的本质特征，社会网络结构分析是社会网络理论研究和实践应用的重要基础，已成为当前学术界的研究热点和前沿课题。对社会网络的研究能够使人们更加深入地理解社会网络的结构特性，有助于人们认知社会和解释社会现象，适应社会网络给人们工作、学习等带来的变化。同时，进一步揭示社会网络内在的结构功能，理解社会网络个体行为及情感，把握社会网络发展的方向，能够有效地解决社会问题、维护社会稳定和协调社会行为，也能为社会学、管理学等学科的相关研究提供技术支持，因此对社会网络结构及影响力分析的研究具有重要的理论研究价值和广阔的应用前景。 本文从宏观、中观和微观三个层面对社会网络结构分析开展研究。一方面，从宏观上研究分析社会网络拓扑结构特性并构建社会网络演化模型，为中观社区识别和微观节点影响力分析提供理论和数据支持;另一方面，从中观和微观角度研究如何设计更加可行、高效和可靠的方法，解决社会网络社区识别和影响力最大化研究中存在的技术难点问题，为开展社会网络分析及其应用提供重要的理论支撑和技术支持。归纳而言，本文的研究内容主要包括以下四个方面: 首先，针对现有大多数社会网络演化模型往往从网络全局角度考虑，忽略节点的微观特征和信息传播特性，不能很好地描述真实网络实际演化过程的问题，提出一种基于信息传播特性的社会网络演化模型构建方法。该方法基于节点信息传播特性，综合考虑节点之间的领域相似性、信息传播吸引以及局部传播特性，同时融入节点信息传播活跃程度概念，对节点间信息传播过程进行全面、细腻地模拟，以实现社会网络的演化建模。实验结果表明，该方法能够更加精准地刻画、描述真实网络的拓扑特征和演化特性。 其次，针对传统的非重叠社区识别算法存在需要预设社区个数、时间复杂度过高以及社区划分质量较低等问题，提出一种基于标签环形扩散的非重叠社区识别算法。该算法在传统标签传播算法的基础上，采取剪枝策略进行预处理，引入节点影响力对节点进行度量、排序和分组，有效地解决了标签传播算法结果随机性强、识别质量差的问题。实验结果表明，该算法能够在保留标签传播算法近线性的时间复杂度的基础上，降低标签的迭代次数，增强标签传播的稳定性，有效提高社区划分质量。 再次，针对重叠社区识别领域现有研究成果大多需要人工设置社区重叠度，不适用于现实世界的真实网络，同时在算法效率、社区划分质量等方面都有待进一步提高的问题，提出一种基于节点隶属度的标签环形传播重叠社区识别算法。该算法首先利用节点间的相似性以及邻居节点结构定义了节点的社区隶属度;同时，引入节点的拓扑势函数度量节点影响力并通过与节点隶属度的对比进行标签截断;然后，采用标签环状扩散策略改进传统标签重叠社区识别算法完成重叠社区的识别。实验结果表明，该算法具有较高的有效性和稳定性，在不需要人工设置参数的情况下也能够有效提高社区识别结果的稳定性和质量。 最后，针对已有的研究工作大多忽略网络的局部结构特性且节点影响范围重叠，导致传播效果不理想，无法适应大规模网络等问题，提出一种基于社区识别的社会网络影响力最大化算法。该算法引入拓扑势度量节点的影响力，采用局部化社区识别思想进行候选节点集合的动态选取，利用社区识别与局部边缘去重方法，有效地求解社会网络中的影响力最大化问题。真实数据集上的实验结果表明，相比当前主要的影响力最大化算法，该算法具有更高的可行性和有效性，在相同条件下能够获得更好的传播效果。

目录

声明

摘要

第1章绪论

1．1研究背景及意义

1．2国内外研究现状

1．2．1社会网络结构演化模型研究

1．2．2社会网络社区识别方法研究

1．2．3社会网络影响力分析方法研究

1．3主要研究内容

1．4论文组织结构

第2章基于信息传播特性的社会网络演化模型研究

2．1引言

2．2基本概念

2．3社会网络中的节点信息传播

2．3．1领域向量及领域匹配度

2．3．2节点信息传播的局部特性

2．3．3节点间信息传播特点

2．4基于信息传播特性的社会网络演化模型

2．4．1模型外部参数设置

2．4．2模型初始化

2．4．3社会网络演化模型NME

2．5实验结果与分析

2．5．1实验数据集

2．5．2节点度分布

2．5．3网络异质性

2．5．4聚集特性

2．5．5模型演化过程中特性分析

2．6本章小结

第3章基于标签环形扩散的非重叠社区识别方法

3．1引言

3．2问题描述

3．2．1社区的定义

3．2．2社区的环状结构

3．2．3标签传播中的回溯现象

3．3标签环形扩散非重叠社区识别算法

3．3．1预处理操作

3．3．2节点影响力计算

3．3．3基于标签环形扩散的非重叠社区识别算法

3．4实验结果与分析

3．4．1真实网络数据集划分效果

3．4．2环状扩散更新方式

3．4．3 CS-LPA算法中阈值η的选取影响

3．4．4算法运行时间对比

3．4．5真实网络数据集模块度比较与分析

3．4．6人工网络数据集实验对比分析

3．4．7 NME数据集实验对比分析

3．5本章小结

第4章基于节点隶属度的标签传播重叠社区识别方法

4．1引言

4．2基于拓扑势的节点影响力及约束

4．3社会网络节点隶属度

4．3．1节点局部相似性度量

4．3．2节点隶属度计算

4．4基于节点隶属度的标签传播重叠社区识别算法

4．5实验与结果分析

4．5．1实验数据选择

4．5．2四种数据集划分效果对比

4．5．3分组情况η的取值分析

4．5．4真实网络数据集模块度对比分析

4．5．5人工网络数据集测试结果

4．5．6 MCLPA算法的应用

4．6本章小结

第5章基于社区识别的社会网络影响力最大化方法

5．1引言

5．2问题描述

5．2．1影响力最大化问题

5．2．2独立级联模型

5．2．3社会网络影响力最大化算法

5．3基于社区识别的社交网络影响力最大化算法

5．3．1节点影响力度量

5．3．2 Top-K节点选择策略

5．3．3局部边缘去重

5．3．4社交网络影响力最大化算法

5．4实验与结果分析

5．4．1实验数据集

5．4．2距离参数l取值分析

5．4．3对比算法与参数设置

5．4．4 Email网络的结果与分析

5．4．5 Yeast网络的结果与分析

5．4．6 Bitcoin Alpha网络的结果与分析

5．5本章小结

结论

参考文献

攻读博士学位期间发表的论文和取得的科研成果

致谢