一种基于引力场思想的集群间影响力建模方法及存储介质
技术领域
本发明涉及社交网络影响力计算
技术领域
，尤其是涉及一种基于引力场思想的集群间影响力建模方法及存储介质。背景技术
由于社交的开放性、匿名性，用户发布信息的自由性、趋同性等特点，使得社交网络成为观点信息的发展平台。而支撑观点快速扩散传播的正是由持有相似或相反观点的用户自组织促成的网络群体。恶意观点、谣言的传播离不开网络群体的推波助澜，在话题发酵过程中，用户之间不断地信息交互，最终观点相似的用户便组成一个集群。与个体间影响力相似，当集群规模越来越大时，不同集群间也会造成影响，对整个群体的观点演化造成影响。
目前，群体间影响力的研究课题也引起了广泛学者的关注，研究者从群体角度对在线社交网络中的信息传播、影响力最大化和群体现象等方面开展了研究，然而还未出现针对群体影响力系统而全面的分析和研究，也没有针对性的建模方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种有效实现集群间影响力建模的基于引力场思想的集群间影响力建模方法及存储介质。
本发明的目的可以通过以下技术方案来实现：
一种基于引力场思想的集群间影响力建模方法，所述的建模方法包括：
步骤1：基于Louvain算法进行集群划分；
步骤2：计算单个集群源影响力；
步骤3：构建集群间引力矩阵；
步骤4：完成集群间影响力建模。
优选地，所述的步骤1具体为：
步骤1-1：进行模块度优化；
通过移动节点到最大模块度增量所在的邻居集群进而优化模块度，若所有节点均无需移动，则模块度优化阶段结束；
步骤1-2：进行网络聚合；
构造新的网络，然后返回步骤1-1，直到不存在任何改变集群结构的节点，然后执行步骤2。
优选地，所述的步骤2具体为：
将单个集群抽象成一个源影响力为Q值的超节点，源影响力Q量化了集群内部的网络拓扑信息和节点属性，具体包括集群的影响程度、重要程度、活跃程度、制衡程度，将其数值加权计算结果进行归一化处理，从而得到每个集群的源影响力，即Q值。
更加优选地，所述的集群影响程度为：
其中，|V|为网络中总个体数；|Vclu|为集群中个体数。
更加优选地，所述的集群重要程度为：
其中，Dj为与节点j直接相连的节点个数；为集群i中所有节点的度；为整个社交网络中所有个体的度。
更加优选地，所述的集群活跃程度为：
其中，|V|为社交网络中的总节点数；|Vclu|为集群内部节点数；为社交中节点i与节点j之间的最短距离；为集群内部节点i与节点j之间的最短距离。
更加优选地，所述的集群制衡程度为：
其中，σst(vclu)为在集群内部从节点s到节点t经过节点v的最短路径的数目；为在集群内部从节点s到节点v的所有路径数目；σst(v)为在整个网络群体中从节点s到节点t并且经过节点v的最短路径的数目；σst为在整个网络群体中从节点s到节点v的所有路径数目。
更加优选地，所述的源影响力Q的计算方法为：
Q＝Wclu_sca*Clu_sca+Wclu_deg*Clu_deg+Wclu_col*Clu_col+Wclu_betw*Clu_betw
其中，Wclu_sca、Wclu_deg、Wclu_col和Wclu_betw分别为集群影响程度、重要程度、活跃程度和制衡程度的权重。
优选地，所述的步骤3具体为：
将社交网络中的集群间影响力与物理学中的引力场中静止点电荷之间的相互作用力进行映射，观点集群映射为引力场中的电荷，类比库伦定律计算集群间影响力，其计算公式如下：
各个参数的计算方法为：
k＝1
Q＝Wclu_sca*Clu_sca+Wclu_deg*Clu_deg+Wclu_col*Clu_col+Wclu_betw*Clu_betw
其中，xt为集群在t时刻的初始观点值；r为集群间的观点距离；QA为观点集群A的源影响力；QB为观点集群B的源影响力；
根据影响力计算公式获得集群间影响力，从而构建引力矩阵，完成集群间影响力建模。
一种存储介质，所述的存储介质内存储有上述任一项所述的集群间影响力建模方法。
与现有技术相比，本发明具有以下有益效果：
一、提出了一种新的计算单集群源影响力的计算方法：将单个集群抽象成一个电量为Q的节点，即“超节点”，并通过量化集群的影响程度、重要程度、活跃程度、制衡程度和节点属性，综合衡量了集群内部的网络拓扑信息和个体特征，从而得出集群的源影响力。
二、为集群间影响力提供有效建模方法：本发明中的集群间影响力建模方法将社交网络中的集群间影响力与物理学中的引力场中静止点电荷之间的相互作用力进行映射，观点集群映射为引力场中的电荷，类比库伦定律计算集群间影响力，为在线社交网络中的信息传播、影响力最大化和群体现象等方面提供了新的思路，为集群间影响力提供了有效的建模方法。
附图说明
图1为本发明中集群间影响力建模方法的流程示意图；
图2为本发明实施例中足球俱乐部网络的集群聚类结果示意图；
图3为本发明实施例中足球俱乐部网络中引力场建模的局部示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
一种基于引力场思想的集群间影响力建模方法，其流程如图1所示，包括：
步骤1：基于Louvain算法进行集群划分；
步骤1-1：进行模块度优化；
通过移动节点到最大模块度增量所在的邻居集群进而优化模块度，若所有节点均无需移动，则模块度优化阶段结束；
步骤1-2：进行网络聚合；
构造新的网络，然后返回步骤1-1，直到不存在任何改变集群结构的节点，然后执行步骤2；
步骤1的具体实现方法为：
输入网络G＝(V,E,W),其中V＝{v1,v2,…,vn}，边初始权重为1，输出图聚类结果Ω＝{C1,C2,C3,…,Ck}。
A：初始化集群，令Ci＝{vi}，Ω＝{Ci|1≤i≤n}，stop＝1。
阶段一：进行模块度优化
B：随机选取一个节点vi，其集群为Cx，令找到与vi有连边的每个集群Cs，计算将节点vi从集群Cx移动到Cs后对应的模块度增益ΔQ(vi,Cs)，令
C：令QMax＝max{listΔQ}且最大值对应的集群为Ct。若ΔQ(vt,Ct)＞0，则令Ct＝Ct∪{vi}，Cx＝Cx∪{vt}，stop＝0；若则Ω＝Ω-{Cx}。
D：若stop＝1，算法结束。若stop＝0，转B。
阶段二：进行网络聚合
E：令n'＝|Ω|，将Ω中的集群按重新标记，记为Ω＝{Ci|1≤i≤n'}。
F：构造新图G'＝(V',E'),其中节点集V'＝{u1,u2,u3,…,un'}，节点ui与Ω中的社区Ci对应。若节点ui和uj对应集群间存在边，则边(ui,uj)∈E',且权重为集群Ci和Cj间连边的权重和。若集群存在内部边，则(ui,ui)∈E'，且权重Ci内所有边的权重和。
G：令n＝n',G＝G'，转A。
步骤2：计算单个集群源影响力；
将单个集群抽象成一个源影响力为Q值的超节点，源影响力Q量化了集群内部的网络拓扑信息和节点属性，具体包括集群的影响程度、重要程度、活跃程度、制衡程度，将其数值加权计算结果进行归一化处理，从而得到每个集群的源影响力，即Q值；
集群影响程度为：
其中，|V|为网络中总个体数；|Vclu|为集群中个体数；
集群重要程度为：
其中，Dj为与节点j直接相连的节点个数；为集群i中所有节点的度；为整个社交网络中所有个体的度；
集群活跃程度为：
其中，|V|为社交网络中的总节点数；|Vclu|为集群内部节点数；为社交中节点i与节点j之间的最短距离；为集群内部节点i与节点j之间的最短距离；
集群制衡程度为：
其中，σst(vclu)为在集群内部从节点s到节点t经过节点v的最短路径的数目；为在集群内部从节点s到节点v的所有路径数目；σst(v)为在整个网络群体中从节点s到节点t并且经过节点v的最短路径的数目；σst为在整个网络群体中从节点s到节点v的所有路径数目；
源影响力Q的计算方法为：
Q＝Wclu_sca*Clu_sca+Wclu_deg*Clu_deg+Wclu_col*Clu_col+Wclu_betw*Clu_betw
其中，Wclu_sca、Wclu_deg、Wclu_col和Wclu_betw分别为集群影响程度、重要程度、活跃程度和制衡程度的权重；
上述四个指标值在体现集群影响力大小中没有显著的高低之分，每个指标的权重系数均为0.25，最终将各属性值与其相对应的权重值的乘积相加得到集群源影响力；
步骤3：构建集群间引力矩阵；
将社交网络中的集群间影响力与物理学中的引力场中静止点电荷之间的相互作用力进行映射，观点集群映射为引力场中的电荷，类比库伦定律计算集群间影响力，其计算公式如下：
各个参数的计算方法为：
k＝1
Q＝Wclu_sca*Clu_sca+Wclu_deg*Clu_deg+Wclu_col*Clu_col+Wclu_betw*Clu_betw
其中，xt为集群在t时刻的初始观点值；r为集群间的观点距离；QA为观点集群A的源影响力；QB为观点集群B的源影响力；
根据影响力计算公式获得集群间影响力，从而构建引力矩阵，完成集群间影响力建模；
步骤4：完成集群间影响力建模。
本实施例中的集群间影响力建模方法还应包括步骤：将步骤1至步骤3所述方法应用于社交网络中的观点演化领域中，为群体观点演化提供技术支持和参考，并解决相关问题。
下面提供一个具体的应用例：对包含115个节点，613条边的足球俱乐部网络进行集群间影响力计算。
步骤1：基于Louvain算法进行集群划分；
足球俱乐部网络被划分为9个集群，其结果如图2所示。
步骤2：计算单个集群源影响力；
步骤3：构建集群间引力矩阵；
步骤4：完成集群间影响力建模，其局部结果如图3所示。
仿真参数如表1所示：
表1仿真参数设置
节点数
115
边数
613
各集群属性值与源影响力如表2所示：
表2各集群属性值与源影响力
网络参数
度
活跃程度
制衡程度
初始观点
源影响力
集群1
256
9.515
0.323
0.4
0.835
集群2
97
3.578
0.107
0.9
0.305
集群3
124
4.558
0.180
0.2
0.413
集群4
130
4.770
0.150
0.2
0.412
集群5
142
5.418
0.160
0.8
0.459
集群6
171
6.746
0.221
0.2
0.578
集群7
108
4.036
0.156
0.4
0.364
集群8
96
3.652
0.130
0.4
0.320
集群9
102
3.646
0.108
0
0.311
集群间影响力如表3所示：
表3集群间影响力
从表2可以看出，在计算集群的源影响力时，传播中心性和紧密度是影响集群间影响力的关键因素，同时集群的度中心性也有一定的影响，但并非决定性因素。同时，集群的初始观点也是影响力的一个重要参数，同时证明上述集群间影响力建模方法的有效性。
本实施例还涉及一种存储介质，该存储介质内存储有上述任一项集群间影响力建模方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
