技術(shù)特征：

1.一種在線社會網(wǎng)絡(luò)中影響力最大化初始節(jié)點(diǎn)選取方法，其特征在于，包括以下步驟：

步驟1：對在線社會網(wǎng)絡(luò)的數(shù)據(jù)集進(jìn)行處理，得到真實(shí)的用戶執(zhí)行行為記錄得到真實(shí)的用戶執(zhí)行行為記錄和在線社會網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖G(V,E)；其中，V表示在線社會網(wǎng)絡(luò)中的節(jié)點(diǎn)集合，包括用戶節(jié)點(diǎn)和消息節(jié)點(diǎn)；E代表在線社會網(wǎng)絡(luò)中的邊集合；

計(jì)算考慮時(shí)間延遲后用戶節(jié)點(diǎn)u對v的直接影響力D_Inf(u,v)；

步驟2：基于用戶節(jié)點(diǎn)的標(biāo)簽屬性，計(jì)算基于標(biāo)簽的用戶節(jié)點(diǎn)u和v之間基于標(biāo)簽的潛在影響力Tag_Inf(u,v)；

步驟3：基于用戶節(jié)點(diǎn)的共同鄰居節(jié)點(diǎn)屬性，計(jì)算基于共同鄰居節(jié)點(diǎn)的用戶節(jié)點(diǎn)u和v之間基于共同鄰居節(jié)點(diǎn)的潛在影響力N_Inf(u,v)：

步驟4：將Tag_Inf(u,v)和N_Inf(u,v)加權(quán)計(jì)算得到用戶節(jié)點(diǎn)u和v之間基于用戶節(jié)點(diǎn)屬性的潛在影響力Attr_Pot_Inf(u,v)；

步驟5：根據(jù)用戶節(jié)點(diǎn)對于消息執(zhí)行的行為，并由消息的話題關(guān)鍵字得到消息的內(nèi)容相似度，計(jì)算用戶節(jié)點(diǎn)u和v之間的基于行為的潛在影響力Act_Pot_Inf(u,v)；

步驟6：將Attr_Pot_Inf(u,v)和Act_Pot_Inf(u,v)加權(quán)計(jì)算得到用戶節(jié)點(diǎn)u和v之間的潛在影響力Pot_Inf(u,v)；

步驟7：將D_Inf(u,v)與Pot_Inf(u,v)加權(quán)計(jì)算得到u對v的綜合影響力Comp_Inf(u,v)；

步驟8：根據(jù)步驟7計(jì)算結(jié)果，得到在線社會網(wǎng)絡(luò)中綜合影響力傳播路徑，計(jì)算用戶節(jié)點(diǎn)u對v的傳播綜合影響力總和φ_u,v(v)；

步驟9：定義節(jié)點(diǎn)u邊際收益為σ_{Marginal_Revenue}(u)，計(jì)算公式如下：

其中，s為初始節(jié)點(diǎn)集合S中的節(jié)點(diǎn)，φ_s,u(u)代表節(jié)點(diǎn)s對節(jié)點(diǎn)u的傳播綜合影響力，A代表在線社會網(wǎng)絡(luò)中所有用戶節(jié)點(diǎn)的集合；初始節(jié)點(diǎn)集合的初始值為

由上述公式計(jì)算在線社會網(wǎng)絡(luò)中所有用戶節(jié)點(diǎn)的邊際收益，并將計(jì)算得到的邊際收益從大到小進(jìn)行排序，選取排序后的前10k個(gè)用戶節(jié)點(diǎn)插入到隊(duì)列Q中，從隊(duì)列Q中選出邊際收 益最大的用戶節(jié)點(diǎn)插入初始節(jié)點(diǎn)集合S中；

步驟10：判斷初始節(jié)點(diǎn)集合中元素的個(gè)數(shù)|S|是否已經(jīng)達(dá)到要求的個(gè)數(shù)k，如果未達(dá)到，返回步驟9，重新計(jì)算并更新隊(duì)列Q中剩余節(jié)點(diǎn)的邊際收益，然后重新排序，選出邊際收益最大的用戶節(jié)點(diǎn)插入初始節(jié)點(diǎn)集合S中；如果已經(jīng)達(dá)到，則得到影響力最大化初始節(jié)點(diǎn)集合S。

2.根據(jù)權(quán)利要求1所述的在線社會網(wǎng)絡(luò)中影響力最大化初始節(jié)點(diǎn)選取方法，其特征在于，所述步驟1中，考慮時(shí)間延遲后用戶節(jié)點(diǎn)u對v的直接影響力D_Inf(u,v)的計(jì)算方法為：

設(shè)V中存在兩個(gè)用戶節(jié)點(diǎn)u和v，若v對與u相關(guān)的消息執(zhí)行過行為，則u和v之間存在直接影響力，u和v之間存在一條連邊，u和v稱為相鄰節(jié)點(diǎn)；其中執(zhí)行過行為指進(jìn)行過發(fā)布、點(diǎn)贊、評論或轉(zhuǎn)發(fā)行為；與u相關(guān)的消息是指u發(fā)布、點(diǎn)贊、評論或轉(zhuǎn)發(fā)的消息；

給定兩個(gè)相鄰節(jié)點(diǎn)u和v，定義u對v的影響力Inf(u,v)計(jì)算公式如下：

其中，M(u)表示u執(zhí)行過行為的消息集合，|M(u)|代表u執(zhí)行過行為的消息條數(shù)；M(v)表示用戶v執(zhí)行過行為的消息集合，|M(v)|代表v執(zhí)行過行為的消息條數(shù)；|M(u)∩M(v)|表示u和v共同執(zhí)行過行為的消息條數(shù)；

定義考慮時(shí)間延遲后u對v的直接影響力D_Inf(u,v)計(jì)算公式如下：

其中，t表示v對與u相關(guān)的消息執(zhí)行行為的平均時(shí)間延遲，T表示v對與其所有鄰居節(jié)點(diǎn)相關(guān)的消息執(zhí)行行為的平均時(shí)間延遲。

3.根據(jù)權(quán)利要求2所述的在線社會網(wǎng)絡(luò)中影響力最大化初始節(jié)點(diǎn)選取方法，其特征在于，所述步驟2中，基于標(biāo)簽的用戶節(jié)點(diǎn)u和v之間基于標(biāo)簽的潛在影響力Tag_Inf(u,v)的計(jì)算方法為：

將所有用戶節(jié)點(diǎn)的標(biāo)簽匯總構(gòu)建一個(gè)標(biāo)簽詞袋，標(biāo)簽詞袋中所有標(biāo)簽的個(gè)數(shù)記為N；依據(jù)用戶節(jié)點(diǎn)的標(biāo)簽構(gòu)建用戶節(jié)點(diǎn)的標(biāo)簽特征向量，標(biāo)簽特征向量的維度就是標(biāo)簽詞袋中所有標(biāo)簽的個(gè)數(shù)N，每一維代表標(biāo)簽詞袋中的一個(gè)標(biāo)簽；初始化標(biāo)簽特征向量的每一維的元素值都為0；用戶節(jié)點(diǎn)u的標(biāo)簽特征向量記為ξ_{u_tags}＝(ξ_{u_tag1},ξ_{u_tag2},…,ξ_{u_tagi},…,ξ_{u_tagN})；

對于任意一個(gè)用戶節(jié)點(diǎn)u和其對應(yīng)的標(biāo)簽集合，計(jì)算標(biāo)簽集合中每個(gè)標(biāo)簽tag_i對應(yīng)于u的標(biāo)簽特征值TF-IDF(Tag_i,u)，公式如下：

其中n(tag)_i,u表示標(biāo)簽tag_i在用戶節(jié)點(diǎn)u的所有標(biāo)簽中出現(xiàn)的次數(shù)，表示用戶節(jié)點(diǎn)u的所有標(biāo)簽總數(shù)，|U|表示在線社會網(wǎng)絡(luò)中所有用戶節(jié)點(diǎn)個(gè)數(shù)，|{tag_i∈u}|表示在線社會網(wǎng)絡(luò)中擁有標(biāo)簽tag_i的用戶節(jié)點(diǎn)個(gè)數(shù)；

根據(jù)用戶節(jié)點(diǎn)u對應(yīng)的標(biāo)簽集合中每個(gè)標(biāo)簽tag_i對應(yīng)于u的標(biāo)簽特征值TF-IDF(Tag_i,u)，更新u的標(biāo)簽特征向量ξ_{u_tags}中相應(yīng)維的元素值ξ_{u_tagi}，得到更新后的ξ_{u_tags}；

對于G(V,E)中的任意兩個(gè)用戶節(jié)點(diǎn)u和v，根據(jù)它們相應(yīng)的標(biāo)簽特征向量ξ_{u_tags}和ξ_{v_tags}的余弦相似度，計(jì)算兩個(gè)用戶節(jié)點(diǎn)u和v之間基于標(biāo)簽的潛在影響力Tag_Inf(u,v)：

Tag_Inf(u,v)＝cos(ξ_{u_tags},ξ_{v_tags})。

4.根據(jù)權(quán)利要求3所述的在線社會網(wǎng)絡(luò)中影響力最大化初始節(jié)點(diǎn)選取方法，其特征在于，所述步驟3中，基于共同鄰居節(jié)點(diǎn)的用戶節(jié)點(diǎn)u和v之間基于共同鄰居節(jié)點(diǎn)的潛在影響力N_Inf(u,v)的計(jì)算方法為：

對于G(V,E)中任意一個(gè)用戶節(jié)點(diǎn)，依據(jù)鄰居節(jié)點(diǎn)構(gòu)建用戶的鄰居節(jié)點(diǎn)特征向量，維度為在線社會網(wǎng)絡(luò)中的用戶節(jié)點(diǎn)個(gè)數(shù)|U|，初始化鄰居節(jié)點(diǎn)特征向量的每一維的元素值均為0；用戶節(jié)點(diǎn)u的鄰居節(jié)點(diǎn)特征向量記為ξ_{u_neighbors}＝(ξ_{u_neighbor1},ξ_{u_neighbor2},…,ξ_{u_neighbori},…,ξ_{u_neighbor|U|})；

對于用戶節(jié)點(diǎn)u和其對應(yīng)的鄰居節(jié)點(diǎn)集合，計(jì)算鄰居節(jié)點(diǎn)集合每個(gè)鄰居節(jié)點(diǎn)neighbor_i對于u的鄰居節(jié)點(diǎn)特征值TF-IDF(Neighbor_i,u)，公式如下：

其中n(neighbor)_i,u表示鄰居節(jié)點(diǎn)neighbor_i在u的所有鄰居中出現(xiàn)的次數(shù)(取值為1)， 表示u的所有鄰居節(jié)點(diǎn)個(gè)數(shù)，|{neighbor_i∈u}|表示在線社會網(wǎng)絡(luò)中擁有鄰居 節(jié)點(diǎn)neighbor_i的用戶節(jié)點(diǎn)個(gè)數(shù)；

根據(jù)每個(gè)鄰居節(jié)點(diǎn)neighbor_i對于u的鄰居節(jié)點(diǎn)特征值TF-IDF(Neighbor_i,u)，更新u的鄰居節(jié)點(diǎn)特征向量ξ_{u_neighbors}中相應(yīng)維的元素值ξ_{u_neighbori}，得到更新后的ξ_{u_neighbors}；

對于G(V,E)中的任意兩個(gè)用戶節(jié)點(diǎn)u和v，根據(jù)它們相應(yīng)的鄰居節(jié)點(diǎn)特征向量ξ_{u_neighbors}和ξ_{v_neighbors}的余弦相似度，計(jì)算兩個(gè)用戶節(jié)點(diǎn)u和v之間基于共同鄰居節(jié)點(diǎn)的潛在影響力N_Inf(u,v)：

N_Inf(u,v)＝cos(ξ_{u_neighbors},ξ_{v_neighbors})。

5.根據(jù)權(quán)利要求4所述的在線社會網(wǎng)絡(luò)中影響力最大化初始節(jié)點(diǎn)選取方法，其特征在于，所述步驟4中，用戶節(jié)點(diǎn)u和v之間基于用戶節(jié)點(diǎn)屬性的潛在影響力Attr_Pot_Inf(u,v)的計(jì)算方法為：

Attr_Pot_Inf(u,v)＝α·Tag_Inf(u,v)+(1-α)·N_Inf(u,v)

其中0<α<1。

6.根據(jù)權(quán)利要求5所述的在線社會網(wǎng)絡(luò)中影響力最大化初始節(jié)點(diǎn)選取方法，其特征在于，所述步驟5中，用戶節(jié)點(diǎn)u和v之間的基于行為的潛在影響力Act_Pot_Inf(u,v)的計(jì)算方法為：

步驟5.1：挖掘異構(gòu)節(jié)點(diǎn)構(gòu)成的邊<用戶-消息>、<消息-用戶>的特征：

對于特定用戶節(jié)點(diǎn)u，針對其發(fā)布的消息m，計(jì)算接收到其他用戶點(diǎn)贊、評論和轉(zhuǎn)發(fā)行為次數(shù)分別為a₁、a₂和a₃，構(gòu)建行為次數(shù)特征向量ξ_action＝{a₁,a₂,a₃}，設(shè)置相應(yīng)的權(quán)重向量為ω＝{m₁,m₂,m₃}，其中m₁,m₂,m₃∈(0,1)；計(jì)算用戶節(jié)點(diǎn)u對于其發(fā)布的消息m產(chǎn)生的影響力UM_Inf(u,m)，公式為：

同理，消息m對于它的發(fā)布者u傳遞作用產(chǎn)生的影響力MU_Inf(m,u)等價(jià)于用戶u對于其發(fā)布的消息m產(chǎn)生的影響力UM_Inf(u,m)，即MU_Inf(m,u)＝UM_Inf(u,m)。

步驟5.2：挖掘消息節(jié)點(diǎn)m構(gòu)成的邊<消息-消息>的特征，根據(jù)消息的話題關(guān)鍵字得到消息的內(nèi)容相似度，步驟具體為：

提取每條消息的話題關(guān)鍵字，將所有消息的話題關(guān)鍵字匯總，構(gòu)建話題關(guān)鍵字詞袋，話 題關(guān)鍵字詞袋中話題關(guān)鍵字總數(shù)記為M；針對每條消息構(gòu)建話題關(guān)鍵字特征向量，話題關(guān)鍵字特征向量的維度就是話題關(guān)鍵字詞袋中話題關(guān)鍵字總數(shù)M，初始化話題關(guān)鍵字特征向量的每一維的元素值均為0；消息節(jié)點(diǎn)m的話題關(guān)鍵字特征向量記為ξ_{m_topics}＝(ξ_{m_topic1},ξ_{m_topic2},…,ξ_{m_topici},…,ξ_{m_topicM})；

對于消息節(jié)點(diǎn)m和其對應(yīng)的話題關(guān)鍵字集合，計(jì)算話題關(guān)鍵字集合中每個(gè)話題關(guān)鍵字topic_i對于消息節(jié)點(diǎn)m的話題關(guān)鍵字特征值TF-IDF(topic_i,m)，計(jì)算如下：

其中n(topic)_i,m表示話題關(guān)鍵字topic_i在消息節(jié)點(diǎn)m的所有話題關(guān)鍵字中出現(xiàn)的次數(shù)， 表示消息節(jié)點(diǎn)m的所有話題關(guān)鍵字出現(xiàn)的次數(shù)總和，|M|表示在線社會網(wǎng)絡(luò)中的消息節(jié)點(diǎn)個(gè)數(shù)，|{topic_i∈m}|表示擁有話題關(guān)鍵字topic_i的消息節(jié)點(diǎn)個(gè)數(shù)；

根據(jù)每個(gè)話題關(guān)鍵字topic_i對于消息節(jié)點(diǎn)m的話題關(guān)鍵字特征值TF-IDF(topic_i,m)，更新消息節(jié)點(diǎn)m的話題關(guān)鍵字特征向量ξ_{m_topics}中相應(yīng)維的元素值ξ_{m_topici}，得到更新后的ξ_{m_topics}；

對于G(V,E)中的任意兩個(gè)消息節(jié)點(diǎn)m和n，根據(jù)它們相應(yīng)的話題特征向量ξ_{m_topics}和ξ_{n_topics}的余弦相似度，計(jì)算兩個(gè)消息節(jié)點(diǎn)m和n的內(nèi)容相似度：

Sim(m,n)＝cos(ξ_{m_topics},ξ_{n_topics})；

步驟5.3：對于給定用戶u和v，根據(jù)u和v發(fā)布的消息的相似度，通過以下公式來計(jì)算基于用戶行為的用戶之間的潛在影響力Act_Pot_Inf(u,v)：

其中，M′(u)表示u發(fā)布過的消息集合，M′(v)表示用戶v發(fā)布過的消息集合。

7.根據(jù)權(quán)利要求6所述的在線社會網(wǎng)絡(luò)中影響力最大化初始節(jié)點(diǎn)選取方法，其特征在于，所述步驟6中，用戶節(jié)點(diǎn)u和v之間的潛在影響力Pot_Inf(u,v)的計(jì)算方法為：

Pot_Inf(u,v)＝λ·Attr_Pot_Inf(u,v)+(1-λ)·Act_Pot_Inf(u,v)

其中λ∈(0,1)。

8.根據(jù)權(quán)利要求7所述的在線社會網(wǎng)絡(luò)中影響力最大化初始節(jié)點(diǎn)選取方法，其特征在于， 所述步驟7中，u對v的綜合影響力Comp_Inf(u,v)的計(jì)算方法為：

Comp_Inf(u,v)＝D_Inf(u,v)+Pot_Inf(u,v)。

9.根據(jù)權(quán)利要求8所述的在線社會網(wǎng)絡(luò)中影響力最大化初始節(jié)點(diǎn)選取方法，其特征在于，所述步驟8中，用戶節(jié)點(diǎn)u對v的傳播綜合影響力總和φ_u,v(v)的計(jì)算方法為：

其中，條件X表示u對v沒有綜合影響力傳播路徑，則φ_u,v(v)＝0；

條件Y表示u對v的綜合影響力傳播路徑只存在一條一跳路徑u→v，則φ_u,v(v)＝Comp_Inf(u,v)；

條件Z表示u對v的綜合影響力傳播路徑存在多條，其中φ_u,w(w)表示用戶節(jié)點(diǎn)u對用戶節(jié)點(diǎn)w的傳播綜合影響力總和；I(v)表示在線社會網(wǎng)絡(luò)中對v的綜合影響力傳播路徑存在一條一跳路徑的用戶節(jié)點(diǎn)集合{w₁,w₂,...,w_n}。