基于微博网络的影响力最大化算法(2)

　　1.1微博用户影响力关键因素分析

　　决定微博用户的影响力的关键因素有：

　　1）用户间亲密程度。两用户之间的历史转发及评论数体现了两个用户之间的亲密程度和影响能力，越高的历史转发及评论数说明未来用户之间产生信息行为的可能性也越大。

　　2）用户活跃程度。用户的活跃度可以表示为用户单位时间内发表的微博数量。有的用户经常发表微博或者发表评论，有的用户则很少发微博。因此，用户的活跃度反映了用户的参与程度、积极程度。活跃程度越高，发布的微博被转发或评论的机会越大，影响其他用户的可能性也越大。

　　3）用户粉丝数及粉丝的影响力。粉丝数量是微博用户影响力的一个重要因素。一般来说，一个用户的粉丝越多，那么该用户的影响力也越大，用户的粉丝越多，激发另一用户产生信息行为的潜力就越大，越容易影响到其他人，且所花费的代价也越小，反之亦然。同时，粉丝与粉丝之间也不能同等对待，粉丝自身的影响力以及网络的用户规模也是衡量用户影响力的重要指标。

　　1.2WIR算法描述

　　2微博网络影响力最大化算法

　　影响力最大化问题定义为如何选择K个初始节点使得最终的传播影响范围最大化，由上一章的分析可知，通过计算用户的WIR值，可以得到用户的影响力排序，然而若直接选择WIR值靠前的K个节点作为初始节点，并不能保证最终的影响范围最大化，这是由于微博用户的粉丝影响力越大，则用户影响力也就越大，导致K个节点有很大的可能性聚集在同一簇内，忽视了网络结构中的弱连接节点。如图1所示，节点[1，2，3，4，5，6]构成了一个社团，其社团中的节点度数相对较高，因此影响力度量算法更容易将此社团内的节点排序到前几位，然而这样得到的结果并不能使影响范围最大化，因为其忽视了节点[8，9，10]所构成的一些较小社团。

　　2.2基于ELTM的微博网络影响力最大化算法

　　改进后的线性阈值模型体现了微博特征，节点之间的信息传递概率取决于节点的传播影响力，在ELTM的基础上运用贪婪算法可以实现针对微博网络的影响力最大化算法，基于此，本文提出了基于ELTM的贪婪算法（GreedyAlgorithmBasedonELTM，GABE）。算法的核心思想包括三个阶段：

　　1）利用式（4）通过迭代计算网络中每个节点的WIR值，建立微博网络的影响力度量模型；

　　2）利用得到的WIR值，通过式（6）计算网络中每条边的影响力权值buv，构建扩展的线性阈值模型；

　　3）贪心阶段，在ELTM的基础上运用贪婪算法，每一步都选取使传播影响范围增量最大的节点，最终挖掘出种子节点集合。