公开(公告)号：CN117408755A

公开(公告)日：2024-01-16

申请号：CN202311391663.6

申请日：2023-10-25

Applicant: 扬州大学

Inventor： 刘维 ,  王赛威

IPC: G06Q30/0242 ,  G06Q50/00 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/09 ,  G06F18/213 ,  G06F18/23

Abstract: 本发明涉及一种基于自适应图卷积神经网络的影响力最大化方法，基于自适应图卷积神经网络的影响力最大化算法使用Barabási–Albert模型生成多个不同尺寸的无标度网络，然后提取节点的表示向量并通过邻域打折策略为网络中节点打标签。然后用网络、表示向量和标签组成训练数据集，训练自适应图卷积神经网络。最后利用训练好的神经网络模型识别未知网络中节点的影响力。依据节点影响力对节点进行排名，选择排名前k的节点作为种子节点。通过本发明，利用深度学习的框架解决影响力最大化问题，可以提高发现种子节点的效率。

公开(公告)号：CN117408754A

公开(公告)日：2024-01-16

申请号：CN202311391494.6

申请日：2023-10-25

Applicant: 扬州大学

Inventor： 刘维 ,  王赛威

IPC: G06Q30/0242 ,  G06Q50/00 ,  G06N3/086

Abstract: 本发明涉及一种基于离散粒子群优化的多层网络上的影响力最大化方法，首先根据信息在多层网络上的传播特性，定义了多层网络上的独立级联(MLIC)模型。考虑到蒙特卡洛模拟现实的MLIC模型复杂度高，本方法提出了多层期望传播值(MLEDV)来近似MLIC的效果。MLEDV计算的是被种子节点激活的一跳邻居的期望数目，因此其衡量的是节点的局部重要性。然后，本方法使用随机连通中心性指标衡量节点重要性，并根据节点重要性选择候选节点集。随机连通中心性基于有偏随机游走，从连通性的角度衡量节点重要性。最后，本方法使用离散粒子群算法选出种子集。其中离散粒子群算法将MLIC用作适应性函数，和随机连通中兴性互补，既考虑全局重要性也考虑局部重要性。通过本发明，首先定义多层网络中信息传播模型，然后通过随机连通中心性剔除多层网络中不重要的节点，形成候选节点集。