论文研究-基于情感的社会网传播模型及影响最大化算法研究.pdf

所需积分/C币:10 2019-09-06 968KB .PDF
评分

针对社会网传播领域的影响最大化问题的研究,将节点本身具备的情感对事件传播的影响力进行了忽略,提出了基于情感的社会网传播模型(Emotion Independent Cascade model,E-IC),关于E-IC模型重点强调了情感影响的最大化基本问题(Influence Maximization Problem based on Emotion,IMPE),在传播整个进程中,融合了用户位置的计算值、后置情感的计算值以及交互概率值。论证并确认基于情感的社会网传播模型问题就是NP-hard问题,并给出近似算法EMS-Greedy。在训练集上调整模型参数,使得传播过程更符合传播规律,通过大规模真
宋健,等:基于情感的杜会网传播模型及影响最大化算法研究 2019,55(13) 次从概率的角度定义了在社会网内寻找具有影响力节 表1符号定义 点的问题。 符号 定义 Kempe等人在2003年从离散优化的角度给出了 节点集合|V=n 影响力最大化问题定义。随后 Kempe等人给出了影 E 节点之间的有向边集合E=m 响力最大化问题是NP-hard的详细证明,并提出了近似 种子节点集合 种集的大小 比为1-(1/e-ε)的算法。在研究传播的过程中,对于 模型下l、v之间的影响概率 传播结果影晌最大的是如何模拟传播过程,也就是传播 E-C模型下a、v之间的影响概率 模型的定义。在这个课题研究中,众多学者研究了关于 的前置情感,en∈[-1,1 影响力传播的模型,实现效率更高以及扩展性更好的算 节点v的后置情感,e∈「-1,11 t、v之间的交互概率,exm∈[0,1 法,通过算法的改进,最终模型的效果良好。在其后续 ● elin" u对v的情感影响程度,einl∈[0,1 的工作中,传播模型被划分为独立级联模型和线性阈值 E-IC传播模型的参数 模型两种类型 种集S影响范围 情感与传播:随着斫究的进一步深入,社会网传播 传播的事件集合 问题的基础理论研究已经达到定的高度。大量的研 独立级联模型( Independent Cascade model,C)是 究逐步向约束条件、传播路径、图结构以及算法和传播最基本的传播模聖,能够很好地刻画传播过程,本文研 模型多个角度转换。近年来研究T作逐步将焦点集中究的基于情感的影响最大化问题的底层传播模型采用 在主导事件传播的传播者身上。Tang等人研究了群C模型。 体的行为一致性,考虑」社会网中个人与群体之间的影 IC模型传播过程原理是在T时间点设定一个节 响力关系。Chen等人考虑了用户的消极因素,提出了点的属性是活跃的,其他节点属性不活跃的,在Tn时间 C-N模型和OC模型。lCN模型在传播过程中为持有点,节点v属性从活跃转变为不活跃,节点v就会在下 消极情感的活动节点定义了一个向量来替代边上概率一个时间点激活p概率的其他类型的相邻节点,记 p。片面地将消极因素作为标量,限制了节点拥有积极作。假设节点v将节点激活成功,在T+时间 情感的能力,虽然在影响范围上有所体现,但用户情感点,节点变成一个活跃的节点,相反,假定节点v激 是复杂且多变的。OC模型依赖于节点自身的情感与活节点失败了,那么节点t表示的就是非激活节 ICN模型相比考虑更为充分,但缺乏节点与节点之间点。重复上述过程,一直到节点全部被激活时结束。这 的交互。 Galhotra等人"在2016年提出了与情感相关的个过程中,节点v的相邻节点被激活的机会有且仅有 传播模型o,但模型仅考虑了情感因素对传播的影响,次,整个过程结之后,σS表示S集合的影响范围,简 并没有考虑到所持不同情感的用户间信息传递与传统述如下 传播模式存在差异性,在全局传播的影响下,被激活的 用户会受到其影响,情感发生·定的变化。2018年 ∈S 3.2模型定义 Ii提出随着网络聚类系数的不断増大,节点之间的亲 本文主要研究用户个体情感对于传播的影响。情 密度也会越来越紧密随着网络节点之间的紧密程度的是个泛指,论文提及的情感被认为是种意见和态 增加,谣言传播最终范围变大 度。在实际情况中,一般采用支持、反对以及中立的词 以上国内外相关文献在研究过程中均将相关研究汇表示个人的态度。首先要明确关于情感的几个定义 之外的影响因素设定为理想值,这更利于研究影响因素 定义1(前置情感)将用户首次表示的情感类型设 的准确性,但真头环境与实验环境的偏差却人为地增定为初始态度,官方称之为前置情感。般情况下,深 大,数据采集上也较为片面。本文将充分考虑情感相关入分析用户书写相关的文字信息,就可以获得用户的前 的因素对传播本身所造成的影响。实验过程中,选择置情感。其屮前置情感的力度不同,将设计前置情感用 使用带有情感和交互信息的数据,重新刻曲一个以情c∈[-1,1表示。虽度用数值表示,情感用户用字母表 感为基础的社会网传插模型给出了以情感为基础的示。c-1意思是v用户的情感是强烈反对;cn-1 社会网影响最大化的疑问,并提供了有效算法求解该意味着V川户的情感是强烈支持。 问题。 定义2(交互概率)所谓的交互概率就是在情感的 传播过程中,川户接受川户的事件和信息被叫作交互的 3模型及问题定义 概率,设置交互概率的取值范围在ex∈[0,1 31符号定义 led-ll,ea、ea为对立情感 首先介绍本文所使用的符号及其定义,见表1。 1-|en-lel,ea、c为同向情感 882019,55(13) Computer Engineering and Applications计算机工程与应用 根据前置情感的取值范围可得:用户的情感存在情的边际收益表示的是目前阶段在s节点活跃的根基之 感完全ˉ致和情感完全相悖两种极值情况。对于交互上再增加一个节点,当作初始活跃的节点,由此产生 概率也考虑两种情况:当用户情感为对立情感时,两者的最终的影响值增加量,称作: 的交互概率就是两个用户情感数值作差后,取其绝对 (S)-oisUV-o(s (6) 值设置用户情感是同向情感两个用户交互的概率就定义6(子模性)表示的是一个函数,代表的是 叫作绝对交,即(x-1),是通过两个用户情感数s有限子集合,是一个非负实数。假设此函数符合收益 值作差实现的。 递减的方式,新添加的任何个v元素到S集合所产生 定义3(影响程度)被激活的用户其情感会受到传的边际收益高于添加元素v到节点s的边际收益,将此 播源头的影响,情感出现变化,通过数值计算情感的影函数叫作县有字模特性。 响深度,影响程庶的取值范围为eia∈[0,1。两者情 f(XUx)-f(X)>f(YUx)-f(Y) 感的不同在影响程度计算的过程中也存在着差异。当 定理1σ(S在EC模型下呈现单调性 为同向情感时,计算情感的相似度,当为对立情感时,计 证明如果目前的S种集,在E-IC模型的影响下 算情感数值差异。 设定S的影响范围为σ(S)=t。现阶段,将任何一个节 m≈+e,cn、为间向情忽、● leal -e 点n增添到S种集中,因为M的影响范围为()≥0,从 (3)而得出oSJ{)≥aS结论。根据单调性的定义发现, en-le,‖ I max(eu,e c2为反向情感 0(S)在EC模型下同样具备单调性 定义4(后置情感)被激活的用户,用户的前置情感 定理2σ(S在E-C模型下具有子模型。 和被影响后的情感均会发生变化,后置情感表示的是用 证眀设定初始种集S,出现新的节点v增加到种 户情感被改变之后的状态 集S中时,那么就出现了节点v和节点s所形成的影响 (-1,e2(1 2),e2<0 范围有一样的区域。种集S越人,可能两个节点重复的 (4)范围就会越大,从而造成种集S的边界收益均低于S的 min(l, e,(1+ein uD),ey=>o 任何子集的边界收益,因此,σ(S)在E-IC模型下具有子 论文内容以独立级联模型为基础,设计的影晌传播 模型。 因子是情感。首先获取用户的前置情感,在T时刻, 定理3在E-lC模型下求解a(S是 #P-hard问题。 给定初始激活节点,假定α节点在'时间点被激活 证明通过定理1和定理2不难发现,d(S)在E-IC 节点υ就会获得自己的后置情感。在这之后,选择在 Tn+1时间点通过概率PE尝试激活別的不活跃的相 模型下不仅只备单调性,还只备子模性,设置模型参数 时模型是IC。通过IC模型证明发现,计算S)是#- 邻节点。 hard回问题。 ap(aa)+(1-a)ec, wl,eci), e)+O PE (5) 定义7(IMPE问题)给出一个图G=V,E,e,C) C,) 和种集大小k,找到一个大小为k的集合,能够使集合 PE表示的是EC模型中不同的节点之间的传播概的影响范围最大。 率,重点影响了每一个节点边界的概率,两个节点之间 定理4 IMPE问题在F-IC模型下是 NP-hard问题。 的交互概率。a是参数值,在后文屮详细论述了a的取 证眀IMPE问题的子问题就是影响力最大化问题, 值。假定节点被?节点成功激活,v节点就会一定设置用户情感为1,交互概率也为1,MPE问题就简化 程度上接收v节点的数据信息,因此,情感也会发生变为M问题。前文论证过一个问题的任何一个子问题就 化:假设xc节点没有被v节点激活,那么,c节点的情是 NP-hard问题,这个问题被认为是 NP-hard题,M间 感不会发生变化,这个激活过程就会一直持续,直到节题也属于 NP-hard问题,能够得出MP问题也属于NP 点全部激活截止 hard问题 综合以上定义,参照图1为案例:设置节点A、B 因为ⅠMPE问题属 J NP-hard问题,并且,现阶段没 C、D的前置情感是e4--0.5,ea-0.1,ec-0.2,ep 有一个多项式能够准确无误地解决这个问题,所以,文 0.3。结合定义2不难发现,EA-0.4,E2A、C-章提到的算法为近似算法。 0.3,ExDB-0.9,E、-0.8。通过定义3,不难发 现,Emt4,1=0.667,Emc=0.429,Eimn,i=0.67,4EⅥS- Greedy算法 Ein1D、C)=0.33。通过定义4计算得出,E'h=-0.2, IMPF问题是 NP-hard问题,没有多项式时间算法来 E'=0.4 准确求解该问题,本文选用贪心算法来近似解决该问 定义5(边界收益)σS表示的是影响函数,所谓题。但贪心算法也存在弊端,每次迭代都是当前最优 宋健,等:基于情感的杜会网传播模型及影响最大化算法研究 2019,55(13) 解,不是全局最优解,而且相当耗时,不断的迭代均是独所有邻居节点的交互概率也发生了变化。算法第5行 立的,大量的计算是重复的。本文提出了一种优化的贪更新v节点与所有邻居节点的交互概率 心算法解决IMPE问题。 4.3~时间复杂性和近似比计算 41EMS- Greedy算法 EMS- Greedy算法的时间复杂度为O(k+Jmm) EMS-Greedy算法核心思想就类似于一般的贪心算k是种集大小,J是设定的影响范围大小,n是图节点 法,设置初始种集是空,并挑选一个〃节点为种子节 数,m是图中边数。 节点合在S集合中,实现边际收益最大随后将 定理5 EMS-Greedy算法的近似比为1-1/e。 l添加到S中,并重复以上过程 证叨若a1时,通过定理1和定理2论证EMS 算法1.MS-Greedy算法 Greedy具备子模型和单调特性。 EMS-Greedy算法实现 输入:社会圆图GV,E其中c是节点情感,x是交应用了贪心算法的思想在计算近似值的过程中,近似 互概率,种集大小k 解和最优解之间的比值为1-1/e。 输出:使影响范围达到最大的种集SS=k)。 DE 5实验 计算用户之间的交互概率ex 本章详细论述了实验数据和处理方法,并进行了模 3.得到图G(V,E,e,ex) 4.S 型参数的调整以及算法有效性的驗证 5. While(o(s)< &&s<k) 5.1数据介绍 6.t← arg max,∈VS(o(SUx)o(S) 实验应用的数据集是新浪徵博和Last.in数据集 S←SU{x} (见表2) Last. fm(ht:/ stanford. org/data获取)是音乐 8. Return s 评论网站,用户会上传音乐,并对音乐进行评价,用户之 算法是 EMS-Greedy算法的伪代码。算法1的具间存在相万关注的关系。 体描述为:第1-3行是根据川户前置情感计算川户的交 表2 Last. fr数据集 互概率ex,得到图G(V,E,e,2x)。第4行是将种集置 数据集用户数有向边数事件数H志记录数 为空集:第5~7行是迭代选取种子节点。第2行先判断 Last. fm82582882197 10 138261 种集影叫范围是否大于设定的影响范围J,并且种集的 新浪微博数据集的获取选择了网络爬虫技术,在徼 大小是否小于k,若不小于则算法结束。第8行返回种博用户中任意挑选了100名用户为种子用户,并设置用 集S,反之,实现下一次的迭代。每次迭代都选取边界广之间的关系距离为3,随后,获取了170万名微博用户 收益最大的节点(第6行),并将其加入到种集S中。 以及4000万糸有向边。总共爬取了10亿条微博数据 EMS-Greedy算法与贪心算法的终止条件不同,前(收集了用户最近的1000微博),同时还收集了用户 者的终止条件是设定的影响范围为依据,而贪心算法是的基本信息。数据集按照微博转发和用户行为对10亿 根据种集大小为终止条件。前者首先保证了种集的大条微博进行了过滤,保留了30万条对研究有意义的微 小,而后者保证了最终的影响范围。在实验过程中,图博数据,平均每个微博被转发80次。经过预处理后数 的拓扑结构要远人于本文对于种集人小以及影响范围据的统计信息如表3所示。 的设定值,因此算法本身不存在对于传播过程的限制 表3微博数据集 4.2更新情感以及交矿概率 筛选后 在节点ν加入种集S后,要根据影响程度对υ的前 数据集用户数有向边数 微博数 微博集合 置情感进行更改 新浪微博177695030848973930000023755810 算法2EMS- Update算法 1.∈S,u← arg max∈V-S(o(SLx)}-o(S) 实验中应用的算法编程选择C语言,算法编写环 2.判断〃、用户前置情感 境为 Microsoft visual c++6.0;所有实验都在Inte 3.利用式(3)计算影响程度 Core 17CpU,64GB主存上运行的 4利用式(4)计算后置情感 5.2数据预处理 5.更新v与所有邻居节点的交概率x 关于微博的初始化工作,在开始过程中,一个微博 根据传播过程可以得知α节点是被哪个节点激活计算l00个事件概率,将有效的数据进行保存,选择前 的。第1行设定激活v的节点为a。第2、3行计算v被10组数据作为有效数据,选择两种类别的事件作为实验 在情感方面影响的程度。第4行利用影响程度更新数据(见表4)。筛选每个事件的初始微博集,微博的拓 的后置情感。由于节点v的情感发生了变化,那么υ与扑结构融合了30万组传播集合。本文设置拓扑长度为 902019,55(13) Computer Engineering and Applications计算机工程与应用 1,获得子图,并根据徼博I,病历所有带有文本微博集真正例,也就真实样本来说,它表达的是样本中多个正 合,得到交互信息。 例被精准预测 表4训练数据集 TP P+FN 数据集用户数有向边数事件数日志记录数 Fl- Score:代表的是综合指标,主要功能是均衡准 科技2426812858047 教育3930315030796 40 确率和召回率的影响程度,比较系统评佔一个模型预测 关于文字情感的获得,选择了自然语言的分析软的精准度。 获得情感值。自然语言分析工具是由武汉大学互联网 F1-Score 2TP+FP+FN 中心 ROST A1程序提供的、进行标量化处理。分折后,。AP表示的是平均准确率,主要妥解决准的率 判断处理文字的情感值,运用了情感词词表、否定词词和召回率之间的限制性能够全面反馈指标的性能 表、程度词词表停用词词表等。判断方法是以规则为 mAP=L P(R)R 基础获得用户黴博的前置情感值的 537米验评价指标 ROC:表小实验者工作特征曲线,把FP作为横轴 P作为纵轴,从而绘制坐标图,目的是能够检测实验的 为了进步理解实验屮的各项指标,本文应用混淆正确性。 矩阵的准确率、召回率进行分析 4模型参数调整 根据以上四种情况,可以绘制一个二维的矩阵,关 PE,表示F-C模型中,两个节点之间的传播概率, 系如表5所示 主要受节点间的边上概率、节点间的交互概率影响。本 表5混淆矩阼 节主要通过实验方式调节E-IC传播模型的参数设置。 Truth 本文实验选择 Last. fn数据集和新浪微博数据集实 0 现参数的调节。pw运用EM算法获取,EM算法在 Estimate 机器学小中应用普遍,是应用十分成熟的参数估计算 法。通过分析数据集中的动作日志和图结构,进行全面 模型的评价主要分为真实值和预测值两部分。根 的学习,与对比的两个固定边上概率模型相比,通过机 据预测值和真实值之间的关联,给定个清晰的、容易 器学习获得的p更真实。cxa,通过计算两个节点 理解的含义:设置事件发生的含义为1;事件未发生的含 义为0。真实值是动作日志提供了用户的行为,而预测 之间的前置情感获得。通过上述的分析,运川E-C模 值则利用EMS- Greedy算法预测的用户行为获得数据。 型传播影响值σ(S)并进行计算。设置实验的步长为 l-0.1,设定时间周期为300天(时间周期表示的是x 算法一般需要对模型进行训练随后对于部分样本进行用户在300天时间内回答或者转发川户v的微博视为 预测。样本分析如下所示 真正例( True positive):设置预测值、真实值是1。 用户z,是由用户v所激活的,如果超过300天,则认为 假正例( False posilive):设置预测值是1,真实值是0 用户是·个新的传染源节点)。参数a的取值范围 真负例( True Negative):设置预测值、真实值是0 是[0,1。实验评价指标选择mAP和ROC两种不同的 假负例( False Negative):设置预测值是0,真实值模型实现参数的调节,实验结果如表6所示。 通过表6数据分析,观察式(5)发现a=1.0时被认 是1 通过运用混淆矩阵能够清楚地表示上述四种状态定为IC模型根据EM算法学习计算得出边上概率,计 间的关系,运用这种方法,计算得出准确率、召回率以算结果中,A和RQC的值满足现实需求,型的收果 及评价指标等信息。上述研究均是学习评估评价指标 学习模型等。 最大值为0.839在a=0.2时得到。取值在不断变小的 准确率:表示的是度量的精准度,划分的正例中的过程中,表示用户的情感因子占据的比例增加,随之,两 真正比例,关于算法自身的预测成果。 个指标类型也在不断增加。并且在a=0.2时,指标数 值达到最大值,模型的稳定性越来越好。结合两个不同 pr ecision TP+FP 的指标,在 Last. fm数据集上实现参数的调整,获得最优 召回率:主要度量矍盖面,度量很多个正例划分为解a=0.2。运用新浪微博数据集中关于科技的数据集 表6在 Last fm数据集上:参数的取值 指标a=0.1=0.2a=0.3a=04a=0.5a=0.6a=0.7m=0.8=0.9a=1.0 mAP0.3550.3640.3630.3370.3050.2650.2250.1900.1670.147 ROC0.8370.8390.83008110.7850.7480.7080.6660.6320624 宋健,等:基于情感的杜会网传播模型及影响最大化算法研究 2019,55(13) 表7在新浪微博(科技)数据集上参数的取值 指标a=0.1a=0.2a=0.3a=04a=0.5a=0.6a=0.7a=0.8a=0.9a=1.0 mAP0569060706170612059105610.5240.49104750.4 ROC0.9480.9490.940.9460.9430.9 0.93009200.9110.856 合保证重要参数个变化的状态下,将此实验进行迭代。IC模型,观察边上概率判断局部的区域是否最优。F-C 通过表7数据可知,取值减小的同时,两项指标数模型的优点是能够将用户的情感和交互彼此融合,并将 值不断增大。并且c=0.2时指标值最大,mAP最大值用户的情感完全深入到传播整个过程,成为影响概率的 为0.375,ROC最大值为0.949,模型的稳定性越来越子部分。在求解影响范闹的过程中,EIC模型利用机器 好。结合两个不同的指标,在微博科技数据集上实现參学习获取边上概率。 数的调整,获得最优解a=Q 从图3可以看出,三种模型的影响范围在新浪微博 两种不同的数据集假定参数设置一样,实验结果。数据集中存在着明显的区别。在数据集大小增大后, 雷同,都是在同样的条件下,获得最优解,即α=02N模型与OI模型和匚-IC模型相比,其在用户交互频 经过两组数据的有力证明在传播过程中,情感囚索发繁的数据集中所呈现的影响力比较小。O模型与FC 挥的作用比较大,涨幅达到了26%,所以,可以明显发现模型比较来讲,E-C模型强调了用户的情感因子,参与 凊感因素的添加显著的提高模型在传播过程中的精确到了交互概率之中,对于情感的形容更加贴切。从交互 性。这两个实验也能总结一个论点过度融合依赖情感概率方面与O模型进行比较,很明显EC模型的影响 因素并不是最优结果,为了进一步进行下面的实验,论范围更加广阔。在=6时,oI模型呈现下降的走势 文设置参数a=0.2。 这充分证明了O模型在川户情感复杂的状态下处理能 55对比实验 力不如E-IC模型,E-IC模型能及时处理复杂的情感环 本节的主要工作就是将E℃模型与oI和IC-N模境,其性能仍然保持得很好。通过实验发现,采用相同 型两两对比。O模型强调了用户的情感和交互,把情算法的情况下,FIC比O模型的平均影响范围大7%。 感因素最大化作为度量的标准。IC-N模型考虑了负向 通过上述的详细的数据分析,不难发现:E-C模型 情感。两个对比模型的底层模型均是C模型,边上概在整体上有着显著的优点。本文结合情感的多样性特 率均为定值。选择 Last. fm数据集和新浪微博数据集分点,认为E-C模型在传播过程中呈现的规律更能满足 别进行实验对比。选择EIC模型参数α-0.2。J取值现实世界的需要,能够精准地描述传播过程。 为数据集大小的10%,ICN模型设定边上概率p=0.1 情感因素阈值为0(即仅向持有正向情感的用户进行传6总结 播),O模型设定边上概率p=0 本文基于情感囚素,考虑情感对于社会网传播存在 通过图2发现,本文涉及的模型都考虑到了情感因重要的影响,提出了基于情感的社会网传播模型EC 子的影响,伴随着种集大小κ的不断增加,造成这三种该模型将用户的情感完全融合到整个传播过程中,通过 模型所产生的影响程度在不断加大,这比较符合现实。计算前置情感、交互概率、影响程度以及后置情感,调整 并且,前期阶段増长比较稳定,在种集人小为10时增长模型参数。与现有模型过行了对比实验,验证了L-IC 速度最快。其中ωI模型有断层增长,I-N整体影响范模聖实现更加贴近世界事件的传播,运用F-I模型妥 围随着种集大小改变不明显,低于O模聖和F-C模善解决了基丁情感的影响最大化问题IMPE,证明了该 型。IC-N模型考虑的因素是片面的,当情绪为对立时问题是NP-hard问题,并给出了近似算法LMS- Greedy 直接阻碍了信息的传播,这势必会降低其影响范围。OI和 EMS-Update,证明了 EMS-Greedy算法的近似比实 模型是考虑用户的情感最大化,在传播过程中累计情感验。利用该算法能有效求解IMPE问题。今后,将利用 值,选取结果更优的节点进行传播。传播自身仍然选择情感来对用户未来行为进行推测,分析用户的历史行 ≥37 IC-eOI-E-IC 温 IC-N一OI-E-IC 11 22 6 10 K K 图2 Last fm数据集影响范围与种集大小 图3新浪微博数据集影响范围与种集大小 922019,55(13) Computer Engineering and Applications计算机工程与应用 为预测事件对于用户所造成的影响,以及考虑时间对于 guages and Programming, Lisbon, Portugal, Jul 11-15 用户情感的影响,更加准确地刻画用户的影晌力,从而 2005:1127-138 更准确地预测种集 71 Chen W, Wang C, Wang Y Scalable influence maximiza- Lion for preval 参考文献: networks[C] Proceedings of the 16th ACM SIGKDD [1] Kempe D, Kleinberg J, Tardos E Maximizing fhe spread International Conference on Knowledge Discovery and of influence through a social network [C]//proceedings Data mining,2010:1029-1038 of the th ACM SIGKDd Intematiotial Conference on [8] Galhotra S Holistic influence maximization-combining scal- abilily and efficiency with opinion-aware models[C]/ Knowledge Discovery and Data Mining, Washington, USA, Proceedings of the 2016 ACM SIGMOD International Aug24-27,2003:137-146 [21 Tang Jie, wLl Sen, Sun JimengConfluence: Conformity Conference on Management of Data, San Francisco, USA influence in large social networks[C]/Proceedings of the 2016:743-758 9 h ACM SIGKDD International conference on know[91刘亚州,王静潘晓中,等考虑节点亲密度的社交网络谣 edge Discovery and Data Minging, Chicago, USA, Aug 言传播究叮计算机工程与应用,2018,54(14):100-106 11-14,2013:347-355 [10] Li Hang. Statistical learning methods[M]!/The EM algo [3] Li Guoliang, Chen Shuo, Feng Jianhua, et al. Efficient rithm and its promotion. Beijing: Tsinghua Press, 2012: location-aware influence maximization"[C]Proceedings 155-168 of the 2014 ACM SIGMOD International Conference [Ill Zhang H Y, Dinh T N, Thai M T Maximizing the spread on Management of Dala. Snowbird, USA Jun 22-27 of positive influence in online social networks[C]/Pro 2014:8798 ceedings of International Conference on Distributed [4]刘勇,曲思桐,王楠,等.不同营销模式中基于时间的影响 Computing Systems, 2013: 317-326 传播方法研究[J计算机科学与探索,2016,10(3):338-349.[12]GaoH, Mahmud j, Chen j, et al. Modeling user attitude [5] Domingos P, Richardson MMining the network value of toward controversial topics in online social media[c? customers[C] /Proceedings of the 7th ACM SIGKDD Proceedings of the &Lh International Conference on Conference on Knowledge Discovery and Data Mining Weblogs and social Media. 2014 San francisco. USA, Aug 26-29.2001: 57-66 [13] Aslay C, Barbieri N, Bonchi F, et aL. Online topic-aware [6] Kempe D, Klcinhetg J, Tardos E Influential nodes in a influence maximization queries[C]! /Proceedings of the diffusion model for social networks]/Proceedings of I7 th International Conference on Extending Database the 32nd Internalional Colloguium on Automata, Lan Technology, Athens, Greece, Mar 24-28, 2014: 295-306 (上接第58页) 2005,16(9):866-874. [14] Lin L, Xu L Wang D, et al. The g-good-neighbor conditional [18] Ele K The crossed cube architeclure for parallel com diagnosability of arrangement graphs[J].IEEE Transactions pution .IEEE Transactions on Parallel and Distributed on Dependable and Secure Computing, 2016,99: 1-12 Systems,1992,3(5):513-646 [15 Li D, Lu M.The g-good-neighbor conditional diagnos [19 Ning W T Feng X L, Wang L The connectivity of ability of star graphs under the PMC and MM* model[J] exchanged crossed cube[J] Information Processing Letters Theoretical Computer Scicnce, 2017, 674: 53-59 2015,115(2):394-396 [16] Li K Q, Mu Y P, Li K Q Exchanged crossed cube: A [20] Ning w TThe super connectivity of exchanged crossed novel interconnection network for parallel computation[ JI ube[J] Information Processing Letters, 2016, 116(2): 80-84 IEEE Transactions on Parallel and Distributed Systems,[2l]郭晨,冷明,彭硕,等交换交叉立方网终在MM模型下的 2013,24(11):2211-2219 条件诊断度研究[通信学报,2017,38(9):106-124 17] Peter KK, Hsu w j,PanY! The exchanged hypercube[J].[2】]张大方,江招生.基于集团的系统级故障诊圆饼究[计 IFFE Transactions on Parallel and Distributed Systems 算机学报,1998,21(4):308-314

...展开详情
立即下载 最低0.43元/次 身份认证VIP会员低至7折
举报 举报 收藏 收藏
分享
279KB
论文研究-基于k-means聚类算法的研究 .pdf

基于k-means聚类算法的研究,黄韬,刘胜辉,本文首先分析研究聚类分析方法,对多种聚类分析算法进行分析比较,讨论各自的优点和不足,同时针对原k-means算法的聚类结果受随机��

2019-08-15 立即下载
428KB
论文研究-基于虚拟化及重定向技术的Android沙箱设计与实现 .pdf

基于虚拟化及重定向技术的Android沙箱设计与实现,崔海娜,张天乐,随着移动设备的普及,移动企业管理(EMM)作为解决企业移动化安全和管理问题的产品应运而生。EMM的移动性管理元素之一--移动内容管�

2019-08-22 立即下载
240KB
论文研究-基于情感信息收集-抽取架构的文本情感分析网络 .pdf

基于情感信息收集-抽取架构的文本情感分析网络,郭豪,双锴,近些年来,文本的情感分类作为自然语言处理领域的关键任务得到了越来越多的关注,基于深度学习的网络模型在该任务中取得了很大的成�

2019-08-18 立即下载
269KB
论文研究-基于FPGA的多功能扫频信号源的设计 .pdf

基于FPGA的多功能扫频信号源的设计,刘颢阳,李绍胜,扫频信号源是扫频仪主要功能部件,对其实现方法进行研究有重要意义。本文给出了一种由FPGA与DAC组合的扫频信号源设计方案。信号源��

2019-08-15 立即下载
424KB
论文研究-基于JsSIP实现SIP网页客户端 .pdf

基于JsSIP实现SIP网页客户端,高嵬,孙其博,JsSIP是使用Javascript脚本语言实现的开源SIP协议栈,是目前广泛应用的各种基于SIP协议的Web音视频通信终端的基础库�

2019-08-22 立即下载
942KB
论文研究-基于微信公共平台的小型图书馆管理系统的设计与实现 .pdf

基于微信公共平台的小型图书馆管理系统的设计与实现,许鹏,范春晓,从互联网的思维方式上考虑,结合微信公共号对外提供的接口和服务,综合利用开源的开发框架和新兴的WEB服务技术,设计并实现了基于��

2019-08-17 立即下载
194KB
论文研究-基于WinCE的智能车载仪表的设计 .pdf

基于WinCE的智能车载仪表的设计,韩琨,郝继飞,针对当前汽车仪表的发展趋势,设计了一款基于WinCE操作系统的智能车载仪表。智能车载仪表可以通过CAN总线接受汽车各个部件的ECU的信�

2019-08-20 立即下载
1.56MB
论文研究-基于深度学习的人脸识别算法研究 .pdf

基于深度学习的人脸识别算法研究,赵学斌,张雷,传统的人脸识别算法主要是基于图像的浅层特征提取,比如LBP、SIFT、HOG等图像特征描述算子,然后进行多种浅层特征融合,PCA降维之后��

2019-08-16 立即下载
426KB
论文研究-基于Android平台的电子书阅读器的设计与实现 .pdf

基于Android平台的电子书阅读器的设计与实现,赖穆彬,邹仕洪,本文主要阐述了在android平台上十分流行的电子书阅读器的设计与实现,具有智能断章,翻页特效,场景模式切换,阅读字体调节,用户��

2019-08-16 立即下载
255KB
论文研究-基于CUDA技术的运动估计算法加速 .pdf

基于CUDA技术的运动估计算法加速,刘婷,程荣辉,运动估计模块是数字图像/视频处理中最重要的模块之一,它的处理技术直接决定了图像/视频处理的效果,快速有效的运动估计算法是现�

2019-08-18 立即下载
305KB
论文研究-基于加权跳数的DV-HOP定位算法 .pdf

基于加权跳数的DV-HOP定位算法,白进京,周先菊,节点定位技术在无线传感器网络中占据至关重要的地位,如何提高定位精度是本文的研究的目的。本文深入分析了DV-Hop(Distance Vector-Hop��

2019-08-21 立即下载
290KB
论文研究-基于LSTM神经网络的股价短期预测模型 .pdf

基于LSTM神经网络的股价短期预测模型,成烯,钟波,股价预测是时间序列预测领域最具有挑战性的问题,准确预测股价能够帮助投资者降低风险,提高收益。本文应用LSTM神经网络对股价指��

2019-08-14 立即下载
533KB
论文研究-基于WiFi的环境监测系统设计 .pdf

基于WiFi的环境监测系统设计,李山,,WiFi(Wireless Fidelity)技术具备传输速率高、传播距离远、覆盖范围广等特点,在无线局域网应用中得到了迅猛的发展。本文设计并实现了一�

2019-08-16 立即下载
473KB
论文研究-基于I-7188的EIB网关的设计与实现 .pdf

基于I-7188的EIB网关的设计与实现,何欣,黄涛,EIB网关对智能家居的集成应用推广具有极其重要的意义。本文通过研究EIB(European Installation Bus)协议及其外部通信机制,提出基于I-7188��

2019-08-16 立即下载
613KB
论文研究-基于React的前端组件化研究与设计 .pdf

基于React的前端组件化研究与设计,周兴宇,卞佳丽,随着互联网行业的快速发展,Web应用更加庞大和复杂,对用户体验和交互有着越来越高的需求,对前端技术不断提出新的要求。React是一�

2019-08-20 立即下载
1.67MB
论文研究-基于深度学习的不可见图像隐写术 .pdf

基于深度学习的不可见图像隐写术,董士琪,刘建毅,隐写术和隐写分析是信息安全领域中的一个重要分支——信息隐藏的主要内容,二者在对抗中不断发展进步。近年来已经有大量的工作将��

2019-08-15 立即下载
256KB
论文研究-基于可信度的不确定性推理的研究与应用 .pdf

基于可信度的不确定性推理的研究与应用,杨阿琴,,本文将基于可信度的不确定性推理其运用到民航机务维修差错预警专家系统中进行研究中,并在Jess推理引擎的基础上,研究了具体的知��

2019-08-16 立即下载
202KB
论文研究-基于PSO算法的 -SVM算法参数优化 .pdf

基于PSO算法的 -SVM算法参数优化,王洁,白静,在v-SVM算法参数选择中,现多采用反复试验的方法,局限性较大且操作复杂。因此,本文采用了粒子群算法来优化v-SVM中的参数,并将之��

2019-08-16 立即下载
394KB
论文研究-基于数字图像处理的车牌识别技术的研究 .pdf

基于数字图像处理的车牌识别技术的研究,彭运生,王晨升,车牌识别系统(License Plate Recognition 简称LPR)技术广泛应用于智能交通系统中,一般分为车牌预处理、定位、字符分割和字符识别四个主�

2019-08-20 立即下载
265KB
论文研究-基于JDBC的数据库访问研究 .pdf

基于JDBC的数据库访问研究,于宁宁,赵宗平,JDBC兼具有强大的数据处理功能,它可以处理各种不同类型的数据源,同时具有极其简单、易用的编程接口,因而得到了广泛的应用。为��

2019-08-15 立即下载
img
  • 至尊王者

    成功上传501个资源即可获取

关注 私信 TA的资源

上传资源赚积分,得勋章
相关内容推荐