社交网络节点的排序方法技术

一种社交网络节点的排序方法，由输入邻接矩阵、确定节点的紧密中心度值、确定佩奇排序值、确定节点的信息熵值、对节点重要度排序步骤组成。本发明专利技术采用了紧密中心度作佩奇排序方法初始化值，解决了佩奇排序方法初始化值平均分配带来的排序不准确的问题，通过动态排序的方式，依次删除最重要节点再重复排序，消除了信息难以传播到整个网络对节点重要度排序的影响，对节点重要度进行识别和排序。与现有的方法相比，采用本发明专利技术方法得到的节点排序影响力更高，效果最好，排序准确，能更准确地对网络重要节点进行识别和排序。重要节点进行识别和排序。重要节点进行识别和排序。

【技术实现步骤摘要】
社交网络节点的排序方法


[0001]本专利技术属于网络评估方法
，具体涉及一种社交网络节点的排序方法。

技术介绍

[0002]社交网络可以看作是个人或组织作为节点，按照一定社会关系构成的社交网络结构。网络节点重要性进行评估可以使广告投放、舆情控制、疾病防控等更为有效，因此节点重要性评估一直是社交网络研究中的基本问题。近年来该领域研究者提出了多种排序方法。有的方法考虑节点的局部信息，如度中心性以及其扩展度量。在混合分解过程中，还有基于路径的方法来量化节点的重要性，如偏心中心性、紧密中心性、介数中心性和Katz中心性。此外，还提出了基于特征向量的排序方法，如PR(PageRank，佩奇排序)方法，该算法认为每一个节点的重要性取决于指向它的其他节点的数量和质量。在影响力排序过程中为了捕捉更广泛和更丰富的信息，邻居节点的贡献度也被研究者加入考虑。同时信息熵也被作为衡量节点重要性的指标使用。
[0003]PR算法在计算节点的重要性排序时，初始化的节点重要度是平均分配PR值，节点本身的重要性未被考虑。这种平均分配初始化PR值的方法，在一定程度上影响了节点重要性的排序质量。另一方面现有大多数节点重要性算法研究只是以静态方式进行排序，没有消除“富人俱乐部现象”对节点影响力排序结果的影响。即高影响力节点在社交网络中通常在同一个社区中紧密相连，信息难以大量的传播到整个网络。

技术实现思路

[0004]本专利技术所要解决的技术问题在于克服上述现有技术的不足，提供一种排序准确排序效果好的社交网络节点的排序方法。
[0005]解决上述技术问题所采用的技术方案由下属步骤组成：
[0006](1)输入邻接矩阵
[0007]将社交网络图转换成邻接矩阵A:
[0008]A＝[a
ij
]N
×
N
ꢀꢀꢀ
(1)
[0009]式中N为社交网络图所包含的节点数，N为有限的正整数，i和j表示社交网络图中不同节点、为有限的正整数，a
ij
为1、表示节点i和节点j在社交网络图中有连接，a
ij
为0表示无连接。
[0010](2)确定节点的紧密中心度值
[0011]按下式确定节点的紧密中心度值CC
i
：
[0012][0013]式中v表示社交网络图中除节点i外其余任意节点，d(i,v)表示社交网络图中节点i和节点v之间最短路径的边数。
[0014](3)确定佩奇排序值
[0015]按下式确定节点的佩奇排序值CCPR
i
:
[0016][0017]式中d是规范化因子，d取值为0.5～0.9，n表示节点i的相邻节点、且n＜i，n取值为有限的正整数，M是节点i的相邻节点数，M取值为有限的正整数，C
n
是节点i的相邻节点n的相邻节点数，CC
n
是节点n的紧密中心度值。
[0018](4)确定节点的信息熵值
[0019]按下式确定社交网络图中所有节点的信息熵值E
i
：
[0020][0021]式中CCPR
n
是节点n的佩奇排序值；
[0022](5)对节点重要度排序
[0023]采用删除方法将信息熵值最大的节点删除，再重复上述(1)～(4)步骤，将信息熵值最大的节点删除，直至社交网络图中无节点相连接，按删除节点的先后次序排序，得到对应节点的排序。
[0024]本专利技术的(3)确定佩奇排序步骤为：
[0025]按下式确定节点改进的佩奇排序值CCPR
i
:
[0026][0027]式中d是规范化因子，d取值最佳为0.85,n表示i的相邻节点、且n＜i，n取值为有限的正整数，M是节点i的相邻节点数，M取值为有限的正整数，C
n
是节点n的相邻节点数，CC
n
是节点n的紧密中心度值。
[0028]本专利技术提供一种社交网络节点的排序方法，使用紧密中心度作佩奇排序算法初始化值，解决了佩奇排序方法初始化值平均分配带来的问题，通过动态排序的方式，依次删除最重要节点再重复排序，消除了信息难以传播到整个网络对节点重要度排序的影响，对节点重要度进行识别和排序。
[0029]本专利技术的优点在于：
[0030]1.本专利技术使用紧密中心度作佩奇排序初始化值，解决了佩奇排序初始化值平均分配带来的问题，将紧密中心度作为佩奇排序中的初始化值，更好地分析了每个节点在网络中的重要性。
[0031]2.本专利技术的信息熵值采用了网络结构信息，通过动态排序的方式，依次删除最重要节点再重复排序，消除了信息难以传播到整个网络对节点重要度排序的影响。
[0032]3.采用本专利技术方法与现有的佩奇排序、Mapping Entropy、EnRenew、随机选择方法进行了对比仿真模拟实验，实验结果表明，与对比实验方法相比，采用本专利技术方法得到的节点排序影响力更高，效果最好，排序准确，能更准确地对网络重要节点进行识别和排序。
附图说明
[0033]图1是本专利技术实施例1的流程图。
[0034]图2是犯罪网络中被影响的节点数量随影响力传播节点规模的变化图。
[0035]图3是在线户之间的社交网络中被影响的节点数量随影响力传播节点规模的变化图。
[0036]图4是论文的合著者网络中被影响的节点数量随影响力传播节点规模的变化图。
具体实施方式
[0037]下面结合附图和实施例对本专利技术进行详细说明，但本专利技术不限于下述的实施方式。
[0038]实施例1
[0039]本实施例的社交网络节点的排序方法由下述步骤组成(参见图1)：
[0040](1)输入邻接矩阵
[0041]将社交网络图转换成邻接矩阵A:
[0042]A＝[a
ij
]N
×
N
ꢀꢀꢀ
(1)
[0043]式中N为社交网络图所包含的节点数，N为有限的正整数，i和j表示社交网络图中不同节点、为有限的正整数，a
ij
为1、表示节点i和节点j在社交网络图中有连接，a
ij
为0表示无连接。
[0044](2)确定节点的紧密中心度值
[0045]按下式确定节点的紧密中心度值CC
i
：
[0046][0047]式中v表示社交网络图中除节点i外其余任意节点，d(i,v)表示社交网络图中节点i和节点v之间最短路径的边数。
[0048](3)确定佩奇排序值
[0049]按下式确定节点的佩奇排序值CCPR
i
:
[0050][0051]式中d是规范化因子，d取值为0.5～0.9，本实施例的d取值为0.85，n表示i的相邻节点，n取值为有限的正整数、且n＜i，M是节点i的相邻节点数，M取值为有限的正整数，C
n
...

【技术保护点】

【技术特征摘要】
1.一种社交网络节点的排序方法，其特征在于由下述组成:(1)输入邻接矩阵将社交网络图转换成邻接矩阵A:A＝[a
ij
]
N
×
N
ꢀꢀꢀꢀꢀꢀꢀ
(1)式中N为社交网络图所包含的节点数，N为有限的正整数，i和j表示社交网络图中不同节点、为有限的正整数，a
ij
为1、表示节点i和节点j在社交网络图中有连接，a
ij
为0表示无连接；(2)确定节点的紧密中心度值按下式确定节点的紧密中心度值CC
i
：式中v表示社交网络图中除节点i外其余任意节点，d(i,v)表示社交网络图中节点i和节点v之间最短路径的边数；(3)确定佩奇排序值按下式确定节点的佩奇排序值CCPR
i
:式中d是规范化因子，d取值为0.5～0.9，n表示节点i的相邻节点、且n＜i，n取值为有限的正整数，M是节点i的相邻节点数，M取值为有限的正整数...

【专利技术属性】
技术研发人员：艾达，方越洋，康文哲，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：