基于离散雁群优化的时序网络上的影响力最大化方法

本发明涉及一种基于离散雁群优化的时序网络上的影响力最大化方法，属于生物信息领域。

背景技术：

1、随着互联网的繁荣发展，在线社交网络已然成为产品推广和信息传播的主流平台。人们通常欣然接受来自亲友的产品推荐，而商家则希望短时间内通过“口头传播效应”扩大自己产品的受众面。

2、常见的影响力最大化方法可分为三个主要流派：贪心算法，启发式算法和元启发式方法。kempe等人最先提出了一种爬山贪心算法greedy(见：d.kempe,j.kleinberg andtardos,maximizing the spread of influence through a social network,in proc.9thacm sigkddint.conf.on knowledge discovery and data mining,washington,dc,usa,2003,pp.137-146.)，在此基础上，leskovec等人和amit等人分别提出了celf方法(见：j.leskovec,a.krause,c.guestrin,c.faloutsos,j.vanbriesen,and n.glance,cost-effective outbreak detection in networks,in proc.13th acm sigkddint.conf.onknowledge discovery and data mining,sj,ca,usa,2007,pp.420-429.)和celf++方法(见：a.goyal,w.lu and l.v.s.lakshmanan,celf++:optimizing the greedy algorithmfor influence maximization in social networks,in proc.20th int.conf.companionon world wide web,hyderabad,india,2011,pp.47-48.)。kempe等人提出了度中心性，介数中心性和接近中心性三种启发式方法(见：l.c.freeman,centrality in socialnetworks conceptual clarification,social network:critical concepts insociology,vol.1,pp.238-263,2002)。heidemann等人提出了pagerank方法(见：j.heidemann,m.klier,and f.probst,identifying key users in online socialnetworks:a pagerank based approach,in proc.int.conf.on information systems,saint louis,missouri,usa,2010,pp.1-21.)。jiang等人提出了一种模拟退火的元启发式方法解决影响力最大化问题(见：q.y.jiang,g.j.song,c.gao,y.wang,w.j.si andk.q.xie,simulated annealing based influence maximization in social networks,in proc.25th aaai conf.on artificial intelligence,san francisco,ca,usa,2011,pp.127-132.)。gong等人提出了离散的粒子群优化算法(见：m.g.gong,j.n.yan,b.shen,l.j.ma and q.cai,influence maximization in social networks based on discreteparticle swarm optimization,information sciences,vol.367,pp.600-614,2016.)。

3、传统的影响力最大化问题大多在静态网络中进行研究。然而，在当代的在线社交网络中存在着成千上万的用户以及用户间的交互行为。仅仅将这些算法强行移植到时序网络中，这些算法的表现很难得到保证。因此，针对上述问题，本发明研究了一种基于离散雁群优化的时序影响力最大化方法，以克服目前方法存在的缺陷。

技术实现思路

1、本发明的目的就在于克服上述缺陷，提供一种基于离散雁群优化的时序网络上的影响力最大化方法。

2、为了实现上述发明目的，本发明采用的技术方案如下：一种基于离散雁群优化的时序网络上的影响力最大化方法，包括如下步骤：

3、s1、输入时序网络；

4、s2、使用稳定中心性、出度中心性从时序网络中选取候选节点；

5、s3、定义雁群优化算法中使用的目标函数tlie；

6、s4、生成初始雁群；

7、s5、对初始雁群进行更新优化得到新的雁群；

8、s6、对新的雁群进行队列变换；

9、s7、重复迭代，得到最终雁群；

10、s8、选取最终雁群中的头雁(最优解)进行局部优化，并根据优化前后tlie函数值的大小决定最终的种子集。

11、所述步骤s2：为了提取时序网络中的重要节点，快速构建候选解空间，减小生成初始种群的搜索空间，本专利定义了稳定中心性指标sc。

12、所述步骤s3：为了能够快速有效的评估雁群中每个个体的质量，本专利提出了时序局部影响力估计函数tlie对每个候选解进行评估。

13、所述步骤s4：对于雁群中的每个个体进行步骤(2)操作，生成一定数目的大雁(即候选解)构成雁群。

14、所述步骤s5：根据现实中雁群的飞行效应和空气动力学原理，对于雁群中的每个个体的位置向量和速度向量进行更新，再对于更新后的个体，对于每个位置上sc值最小的节点使用候选集中sc值最大的节点对其进行替换，比较替换前后tlie的值，保留值最大的一组解作为优化后的个体。

15、所述步骤s6：每次更新优化后，对于雁群队列进行重新排列。更新每只大雁的位置向量和速度向量。

16、所述步骤s8：提取迭代后的最优解，将最优解中每个节点使用其出邻居中sc值最大的节点对其进行替换，如果产生正向tlie函数值增益，则保留替换。最终得到一组表现最好的种子解。

17、通过本发明，提供的基于离散雁群优化的时序网络上的影响力最大化方法，首先通过稳定中心性sc剔除时序网络中不重要的节点，形成候选节点集。接着，定义时序局部影响力估计函数tlie对每个候选解进行评估。最后基于sc和tlie，使用离散雁群优化算法在候选节点集中生成初始雁群，对其进行更新优化，队形变换，并加以局部优化，产生表现最好的一组种子解。

18、本发明一种基于离散雁群优化的时序网络上的影响力最大化方法，受现实生活中雁群飞行行为的启发，提出了离散雁群优化算法(dwgso)在时序网络中选取有影响力的传播者。在dwgso中，首先提出稳定中心性指标(sc)衡量节点重要性，并根据节点重要性构建候选节点集。其次，为了避免使用频繁的蒙特卡洛模拟时序独立级联模型下候选解的表现而产生的高时间开销，本方法提出了时序局部影响力评估函数(tlie)替代传统的蒙特卡洛模拟，以快速评估雁群优化算法中生成的候选解的质量。离散雁群优化算法将tlie用作适应性函数，tlie计算的是被种子节点激活的一跳以及二跳邻居的期望数目。最后，定义雁群每个个体的速度向量和位置向量更新规则，并对于表现最好的种子集进行再施加局部优化策略对其再优化。

19、本发明的优点和有益效果在于提出了一种新的时序网络中选取种子节点的方法，传统的时序网络中种子节点的选取，大部分方法都具有较高的时间复杂度。传统的元启发式方法，虽然效率高，但大多都局限于静态网络，单纯将它们移植到时序网络中，缺少针对性，其表现很难得到保证。本方法从自然界中雁群的飞行行为得到启发，将元启发式方法的优势及应用范围延伸到时序网络，为以后使用元启发式方法在时序网络中选取种子节点提供了相应基础。本发明提供的技术可以更加充分的利用动态网络中信息传播的时序特性，更快速的识别具有强影响力的节点，从而提升推广效能，拓宽推广范围，并在一定程度上降低推广成本。