社會網(wǎng)絡合作影響傳播最大化的初始用戶選擇方法
【技術領域】
[0001] 本發(fā)明屬于社會網(wǎng)絡技術領域，更為具體地講，涉及一種社會網(wǎng)絡合作影響傳播 最大化的初始用戶選擇方法。
【背景技術】
[0002] Facebook、Twitter、LinkedIn和微信等在線社會網(wǎng)絡的普及，為商家提供了豐富 的用戶信息，從而促進了商品促銷的發(fā)展。研究表明，相比傳統(tǒng)的媒介(如電視），人們更信 任從朋友和親戚等相關聯(lián)的個體那獲得的信息。因此，商家可以利用社會網(wǎng)絡來傳播信息， 采用"病毒式營銷"策略來促銷商品。"病毒式營銷"是一種廣告策略，它選擇有限的初始用 戶(稱為種子），給他們提供免費或打折的商品，利用客戶之間口碑效應的優(yōu)勢來促銷商品。 這些初始用戶通過社會網(wǎng)絡把商品的信息傳播給其他客戶，使得商品的影響最大化（即社 會網(wǎng)絡影響最大化），在商品促銷方面具有重要的實際應用前景。
[0003] 社會網(wǎng)絡影響最大化，是指在某種傳播模型下找到給定數(shù)量的最具有影響力的用 戶，使得信息的影響傳播最大。由此可知，建立傳播模型、進而找到最具有影響力的初始用 戶，是社會網(wǎng)絡影響最大化的核心和關鍵。為此，需要建立有效的傳播模型及相應初始用戶 選擇方法。
[0004] 目前公知的傳播模型主要有線性閾值模型和獨立級聯(lián)模型，初始用戶的選擇方法 包括貪心法及其他啟發(fā)式算法。田家堂等(〈計算機學報〉，2011)提出一種潛在影響和貪心 法相結合的計算方法，首先尋找一部分潛在影響最大的節(jié)點，然后用貪心法尋找另一部分 最具有影響力的節(jié)點。張佩云等(〈計算機工程〉，2013)提出基于概率轉移矩陣的社會網(wǎng)絡 影響最大化算法，使用矩陣乘法得到某時刻節(jié)點之間的影響概率。張伯雷等(〈計算機學報 >，2014)提出面向目標市場的信息最大覆蓋算法，采用聚類覆蓋的方法找到最具有影響力 的初始用戶。張波等(〈專利CN201410234220.0>，2014)提出基于信任的社會網(wǎng)絡中最大化 影響節(jié)點的計算方法，基于節(jié)點的信任度和影響值得到節(jié)點的綜合影響。曹玖新等(〈計算 機學報〉，2015)提出核覆蓋的算法，是一種基于核層次特征和影響半徑的啟發(fā)式算法，根據(jù) 核數(shù)和度數(shù)這兩個屬性來選擇最具有影響力的節(jié)點。吳駿等(〈專利CN201510186252.2〉， 2015)提出一種基于社團結構挖掘算法的在線社會網(wǎng)絡信息傳播最大化方法，根據(jù)社團發(fā) 現(xiàn)算法把原有的網(wǎng)絡分割為不同社團，分別在這些社團對應的子圖里尋找種子節(jié)點，并最 終形成種子節(jié)點集合，從而進行傳播活動。
[0005] 實際生活中商品之間可能存在相互關聯(lián)，商品在社會網(wǎng)絡上的影響以口碑效應等 形式存在。例如，購買智能手機的客戶會以一定的概率購買充電寶;相關聯(lián)商品的影響傳播 具有"合作"關系，即兩種相關聯(lián)的商品可放在一起進行促銷。公知的初始用戶選擇方法，都 只選擇一種商品（或信息）的初始用戶，從而最大化商品的影響傳播，未考慮兩種可能存在 相互關聯(lián)的商品所對應初始用戶的選擇。
[0006] 由數(shù)據(jù)挖掘研究可知，顧客在購買一種商品的時候，會很可能同時購買另一種商 品，針對購買行為，商品之間的相互關聯(lián)可用關聯(lián)規(guī)則描述。目前公知的關聯(lián)規(guī)則研究成果 主要應用于數(shù)據(jù)挖掘領域，未涉及社會網(wǎng)絡中相關聯(lián)的兩種商品合作影響的最大化傳播。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于克服現(xiàn)有技術的不足，提供一種社會網(wǎng)絡合作影響傳播最大化 的初始用戶選擇方法，基于顧客購買商品的關聯(lián)規(guī)則來得到用戶同時購買兩種商品的合作 影響傳播圖，進而選擇使合作影響傳播最大化的初始用戶。
[0008] 為實現(xiàn)上述發(fā)明目的，本發(fā)明社會網(wǎng)絡合作影響傳播最大化的初始用戶選擇方法 包括以下步驟：
[0009] S1:根據(jù)歷史數(shù)據(jù)得到商品A和商品B的影響傳播圖Ga和Gb;
[0010] S2:生成商品A和商品B的合作影響傳播圖Gab，生成方法為：
[0011] 計算商品A和B從用戶v向用戶ν'的合作傳播概率ΡΑ^ν,ν'):
[0012] Pab(v，v'）=P(B|A) XPa(v，v'）
[0013]其中，p(B|A)表示商品A和B的置信度，PA(v，/)表示商品A的影響傳播圖Ga從用戶v 向用戶,的傳播概率，V，, ;
[0014] 如果PABby ) 2 Sab，Sab表不Α和Β兩種商品的支持度，貝lj合作影響傳播圖Gab中用戶 V和/存在有向邊ΘΑΒ(ν，ν〇，且有向邊eAB(V，V)上的傳播概率為PAB(V，V)，否則合作影響 傳播圖Gab中用戶V和V'不存在有向邊；
[0015] S3:初始化初始用戶集合<5 = 0，非初始用戶集合C = V，設置初始用戶聯(lián)合購買商 品A和B的花費Cab以及在合作影響傳播圖Gab中初始用戶每激活一個用戶所獲得的利潤Rab;
[0016] S4:將非初始用戶集合C中的每個用戶分別加入初始用戶集合S，得到K個備選初始 用戶集合瓦表示非初始用戶集合C中的第k個用戶，k=l，2,…，K，K表示非初 始用戶集合C中的用戶數(shù)量;對于每個備選初始用戶集合&，計算其作為商品Α和Β的初始用 戶集合時所能帶來的最終收益D );
[0017] S 5 :從K個備選初始用戶集合的最終收益中選擇最大值所對應的用戶??，令 S = S[J{u}·,
[0018] S6:如果初始用戶集合S中的用戶數(shù)量|S| =T，T表示預設的初始用戶數(shù)量，則初始 用戶選擇結束，否則從非初始用戶集合C中刪除用戶返回步驟S4。
[0019] 其中，最終收益的計算步驟包括：
[0020] S4.1:根據(jù)影響傳播圖Gab，對備選初始用戶集合&構建在預定天數(shù)內(nèi)的影響傳播 模型；
[0021] S4.2:對于備選初始用戶集合|中每個初始用戶u，從影響傳播模型中搜索得到初 始用戶U到其他用戶Y的傳播路徑，得到路徑集合WU，!/ ) = {wiU，!/ ) )，. . .，WQ (U，!/ )}，Q表示用戶U到用戶l/的路徑數(shù)量，計算用戶U到用戶l/的影響期望值):
[0022]
[0023] 其中，表示用戶u到用戶Y第q條路徑上的傳播概率；
[0024] S4.3:計算每個初始用戶u的影響期望值〇ab(u):
[0025]
[0026] S4.4:計算每個初始用戶u的最終收益Dab (u):
[0027] Dab(u)=RabX〇ab(u)-Cab
[0028] S4.5:計算備選初始用戶集合尾的最終收盎
[0029] 本發(fā)明社會網(wǎng)絡合作影響傳播最大化的初始用戶選擇方法，根據(jù)兩種商品各自的 影響傳播圖及兩種商品的關聯(lián)規(guī)則得到合作影響傳播圖，然后逐個選擇初始用戶，每次選 擇時，先將非初始用戶集合中每個用戶加入初始用戶集合構成多個備選初始用戶集合，然 后構建每個備選初始用戶的傳播模型，計算每個備選初始用戶集合的最終收益，選擇最終 收益最大值對應的用戶加入初始用戶集合，直到初始用戶數(shù)量達到要求。
[0030] 本發(fā)明具有以下有益效果：
[0031] (1)本發(fā)明考慮了兩種相關聯(lián)商品合作影響傳播，提供了一種更符合實際情形的 關聯(lián)商品影響傳播最大化方法，與公知影響最大化的方法相比，更能體現(xiàn)兩種相關聯(lián)的商 品的影響最大化傳播，而不是僅考慮單獨的每種商品傳播；
[0032] (2)基于關聯(lián)規(guī)則生成兩種商品的合作影響傳播圖，使兩種存在關聯(lián)關系的商品 能夠進行合作影響傳播，從而能夠更好地對相關聯(lián)的兩種商品進行促銷，與公知的基于關 聯(lián)規(guī)則的推薦方法相比，在選擇初始用戶進行商品促銷方面，其結果更加合理。
【附圖說明】
[0033] 圖1是本發(fā)明社會網(wǎng)絡合作影響傳播最大化的初始用戶選擇方法的【具體實施方式】 流程圖；
[0034] 圖2是