本發(fā)明涉及社交網(wǎng)絡(luò)技術(shù)領(lǐng)域，具體地，涉及一種基于局部影響力計(jì)算的影響力阻斷最大化方法，可用于社交網(wǎng)絡(luò)信息傳播控制。

背景技術(shù)：

社交網(wǎng)絡(luò)中的影響力傳播分析對(duì)社交網(wǎng)絡(luò)信息傳播控制有重要作用。社交網(wǎng)絡(luò)上謠言等惡意信息傳播可能會(huì)對(duì)經(jīng)濟(jì)發(fā)展、社會(huì)穩(wěn)定和國家安全等造成重大危害。為了使社交網(wǎng)絡(luò)成為更可靠的信息傳播平臺(tái)，需要采取有效的策略來減少惡意信息傳播的危害。當(dāng)用戶接受針對(duì)某個(gè)壞信息的好信息后，用戶將不再接受該壞信息，因此可以在社交網(wǎng)絡(luò)上發(fā)布好信息來遏制相應(yīng)的壞信息的傳播。傳播壞信息的信源稱為負(fù)面種子群，而傳播好信息的信源稱為正面種子群。

經(jīng)對(duì)現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，影響力阻斷最大化問題在很多傳播模型下是np-hard的，但是其目標(biāo)函數(shù)在有些傳播模型下具有子模性，因此貪心算法可以獲得1-1/e的近似比。但是計(jì)算影響力的阻斷范圍是很困難的，通常采用蒙特卡洛模擬來估計(jì)影響力的阻斷范圍。然而，為了保證估計(jì)精度，需要進(jìn)行大量蒙特卡洛模擬，因此需要耗費(fèi)大量時(shí)間，不利于在大規(guī)模社交網(wǎng)絡(luò)上即時(shí)采取應(yīng)對(duì)惡意信息傳播的策略。在影響力最大化相關(guān)研究中，有研究者提出在局部結(jié)構(gòu)中近似快速計(jì)算影響力范圍，影響力最大化和影響力阻斷最大化問題有很多相似之處，影響力范圍的快速計(jì)算方法為影響力阻斷范圍的快速計(jì)算提供了新思路。

給定一個(gè)負(fù)面種子群，影響力阻斷最大化問題旨在發(fā)現(xiàn)一個(gè)正面種子群來發(fā)布正面信息，正面信息和負(fù)面信息競(jìng)爭(zhēng)傳播，使負(fù)面信息的傳播范圍的阻斷最大。he等人于2012年在國際會(huì)議《sdm》上發(fā)表題為“influenceblockingmaximizationinsocialnetworksunderthecompetitivelinearthresholdmodel”的文章，文中研究競(jìng)爭(zhēng)線性閾值模型下的影響力阻斷最大化問題。他們證明該問題在競(jìng)爭(zhēng)線性閾值模型下是np-hard，其目標(biāo)函數(shù)在該模型下具有子模性，因此貪心算法能夠獲得1-1/e的近似保證比。貪心算法速度太慢，他們基于dag結(jié)構(gòu)提出了速度更快的算法cldag，該算法利用了在dag結(jié)構(gòu)中能夠快速近似計(jì)算傳播影響的性質(zhì)。budak等人于2011年在國際會(huì)議《www》上發(fā)表題為“l(fā)imitingthespreadofmisinformationinsocialnetworks”的文章，文中在競(jìng)爭(zhēng)無意識(shí)獨(dú)立級(jí)聯(lián)模型(coicm)下研究傳播阻斷最大化問題。他們證明該問題在這兩個(gè)模型下是np-hard，并且該問題的目標(biāo)函數(shù)在兩個(gè)模型下具有子模性，因此貪心算法能夠獲得1-1/e的近似保證比。但是貪心算法速度太慢，無法適用于大規(guī)模社交網(wǎng)絡(luò)。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種基于局部影響力計(jì)算的影響力阻斷最大化方法，速度更快，性能更好。

為達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案如下：

一種基于局部影響力計(jì)算的影響力阻斷最大化方法，包括如下步驟：

步驟1：輸入網(wǎng)絡(luò)g、負(fù)種子群sn、正種子群規(guī)模k，網(wǎng)絡(luò)每條邊賦予一個(gè)傳播概率；

步驟2：確定負(fù)影響傳播范圍negs；

步驟3：計(jì)算所有節(jié)點(diǎn)的初始阻斷負(fù)影響decinf(v)；

步驟4：選擇阻斷負(fù)影響最大的節(jié)點(diǎn)u；

步驟5：將u加入正種子群sp，更新所有相關(guān)節(jié)點(diǎn)的阻斷負(fù)影響decinf(v)；

步驟6：判斷正種子群是否達(dá)到規(guī)模，若達(dá)到規(guī)模，則執(zhí)行步驟7；若沒有達(dá)到規(guī)模，則執(zhí)行步驟4；

步驟7：輸出正種子群。

優(yōu)選地，所述步驟2包括：

步驟2.1：對(duì)負(fù)種子群中每個(gè)節(jié)點(diǎn)u構(gòu)造該節(jié)點(diǎn)的最大影響出樹mioa(u,θ)，最大影響出樹由從該節(jié)點(diǎn)出發(fā)的所有傳播概率大于一個(gè)閾值θ的最大影響路徑的并集組成；

步驟2.2：負(fù)種子群中所有節(jié)點(diǎn)的最大影響出樹的并集組成負(fù)影響傳播范圍。

優(yōu)選地，所述步驟3包括：

步驟3.1：對(duì)負(fù)影響傳播范圍內(nèi)的每個(gè)節(jié)點(diǎn)u，循環(huán)執(zhí)行步驟3.2到3.6；

步驟3.2：構(gòu)造該節(jié)點(diǎn)的最大影響入樹miia(u,θ)，最大影響入樹由到該節(jié)點(diǎn)的所有傳播概率大于一個(gè)閾值θ的最大影響路徑的并集組成；

步驟3.3：計(jì)算u在miia(u,θ)中的負(fù)激活概率apⁿ(u,sn,sp,miia(u,θ))；

步驟3.4：對(duì)miia(u,θ)中的每個(gè)節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟3.5到3.6；

步驟3.5：計(jì)算u在正種子群為sp∪{v}時(shí)的負(fù)激活概率apⁿ(u,sn,sp∪{v},miia(u,θ))；

步驟3.6：按以下公式累加計(jì)算v的阻斷負(fù)影響decinf(v)：

decinf(v)+＝apⁿ(u,sn,sp,miia(u,θ))-apⁿ(u,sn,sp∪{v},miia(u,θ))。

優(yōu)選地，所述步驟5包括：

步驟5.1：構(gòu)造選擇的阻斷負(fù)影響最大的節(jié)點(diǎn)u的最大影響出樹mioa(u,θ)；

步驟5.2：對(duì)mioa(u,θ)中的每個(gè)節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟5.3到5.5；

步驟5.3：構(gòu)造v的最大影響入樹miia(v,θ)；

步驟5.4：對(duì)miia(v,θ)中的每個(gè)節(jié)點(diǎn)w，循環(huán)執(zhí)行步驟5.5

步驟5.5：按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)-＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟5.6：將節(jié)點(diǎn)u加入到正種子群sp；

步驟5.7：對(duì)mioa(u,θ)\{u}中的每個(gè)節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟5.8到5.12；

步驟5.8：構(gòu)造v的最大影響入樹miia(v,θ)；

步驟5.9：計(jì)算v的負(fù)激活概率apⁿ(v,sn,sp,miia(v,θ))；

步驟5.10：對(duì)miia(v,θ)中的每個(gè)節(jié)點(diǎn)w，循環(huán)執(zhí)行步驟5.11到5.12；

步驟5.11：計(jì)算v在正種子群為sp∪{w}時(shí)的負(fù)激活概率apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟5.12：按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)+＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))。

與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：

1、根據(jù)本發(fā)明提供的基于局部影響力計(jì)算的影響力阻斷最大化方法，具有和貪心算法相近的負(fù)影響阻斷性能，但是比貪心算法快超過三個(gè)數(shù)量級(jí)。

2、根據(jù)本發(fā)明提供的基于局部影響力計(jì)算的影響力阻斷最大化方法，在大部分網(wǎng)絡(luò)上比其他基礎(chǔ)的啟發(fā)式算法的負(fù)影響阻斷性能好。

附圖說明

通過閱讀參照以下附圖對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明的其它特征、目的和優(yōu)點(diǎn)將會(huì)變得更明顯：

圖1為本發(fā)明提供的基于局部影響力計(jì)算的影響力阻斷最大化方法的流程圖；

圖2為本發(fā)明和多個(gè)已有方法之間在小規(guī)模網(wǎng)絡(luò)email網(wǎng)絡(luò)上的影響力阻斷有效性性能對(duì)比圖，其中：

圖(a)為trivalency模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(b)為wc模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(c)各算法的運(yùn)行時(shí)間；

圖3為本發(fā)明和多個(gè)已有方法之間在三個(gè)大規(guī)模網(wǎng)絡(luò)上的影響力阻斷有效性性能對(duì)比圖，其中：

圖(a)為nethept網(wǎng)絡(luò)上trivalency模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(b)為nethept網(wǎng)絡(luò)上wc模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(c)為netphy網(wǎng)絡(luò)上trivalency模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(d)為netphy網(wǎng)絡(luò)上wc模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(e)為dblp網(wǎng)絡(luò)上trivalency模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖；

圖(f)為dblp網(wǎng)絡(luò)上wc模型下負(fù)激活節(jié)點(diǎn)數(shù)隨正種子數(shù)變化圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說明。以下實(shí)施例將有助于本鄰域的技術(shù)人員進(jìn)一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是，對(duì)本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)。這些都屬于本發(fā)明的保護(hù)范圍。

為了更清楚地說明本發(fā)明中的技術(shù)方案，列舉如下的具體的實(shí)施例進(jìn)一步說明：

根據(jù)本發(fā)明提供的基于局部影響力計(jì)算的影響力阻斷最大化方法，包括如下步驟：

步驟s1、輸入網(wǎng)絡(luò)g、負(fù)種子群sn、正種子群規(guī)模k，為網(wǎng)絡(luò)每條邊賦予一個(gè)傳播概率，傳播概率表示當(dāng)前時(shí)刻激活的節(jié)點(diǎn)在下一時(shí)刻激活其未被激活的鄰居的概率；

步驟s2、根據(jù)負(fù)種子群中每個(gè)節(jié)點(diǎn)的最大影響出樹mioa(u,θ)確定負(fù)影響傳播范圍negs；

所述的步驟s2，具體為：

步驟s21、對(duì)負(fù)種子群中每個(gè)節(jié)點(diǎn)u構(gòu)造該節(jié)點(diǎn)的最大影響出樹mioa(u,θ)，最大影響出樹由從該節(jié)點(diǎn)出發(fā)的所有傳播概率大于一個(gè)閾值θ的最大影響路徑的并集組成；

步驟s22、負(fù)種子群中所有節(jié)點(diǎn)的最大影響出樹的并集組成負(fù)影響傳播范圍；

步驟s3、根據(jù)節(jié)點(diǎn)加入正種子群前后相關(guān)節(jié)點(diǎn)負(fù)激活概率的變化計(jì)算所有節(jié)點(diǎn)的初始阻斷負(fù)影響decinf(v)；

所述的步驟s3，具體為：

步驟s31、對(duì)負(fù)影響傳播范圍內(nèi)的每個(gè)節(jié)點(diǎn)u，循環(huán)執(zhí)行步驟32到36；

步驟s32、構(gòu)造該節(jié)點(diǎn)的最大影響入樹miia(u,θ)，最大影響入樹由到該節(jié)點(diǎn)的所有傳播概率大于一個(gè)閾值θ的最大影響路徑的并集組成；

步驟s33、計(jì)算u在miia(u,θ)中的負(fù)激活概率apⁿ(u,sn,sp,miia(u,θ))；

步驟s34、對(duì)miia(u,θ)中的每個(gè)節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟35到36；

步驟s35、計(jì)算u在正種子群為sp∪{v}時(shí)的負(fù)激活概率apⁿ(u,sn,sp∪{v},miia(u,θ))；

步驟s36、按以下公式累加計(jì)算v的阻斷負(fù)影響decinf(v)：

decinf(v)+＝apⁿ(u,sn,sp,miia(u,θ))-apⁿ(u,sn,sp∪{v},miia(u,θ))；

步驟s4、選擇阻斷負(fù)影響最大的節(jié)點(diǎn)u；

步驟s5、將u加入正種子群sp，更新所有相關(guān)節(jié)點(diǎn)的阻斷負(fù)影響decinf(v)；

所述的步驟s5，具體為：

步驟s51、構(gòu)造選擇的阻斷負(fù)影響最大的節(jié)點(diǎn)u的最大影響出樹mioa(u,θ)；

步驟s52、對(duì)mioa(u,θ)中的每個(gè)節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟s53到s55；

步驟s53、構(gòu)造v的最大影響入樹miia(v,θ)；

步驟s54、對(duì)miia(v,θ)中的每個(gè)節(jié)點(diǎn)w，循環(huán)執(zhí)行步驟s55

步驟s55、按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)-＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟s56、將節(jié)點(diǎn)u加入到正種子群sp；

步驟s57、對(duì)mioa(u,θ)\{u}中的每個(gè)節(jié)點(diǎn)v，循環(huán)執(zhí)行步驟s58到s512；

步驟s58、構(gòu)造v的最大影響入樹miia(v,θ)；

步驟s59、計(jì)算v的負(fù)激活概率apⁿ(v,sn,sp,miia(v,θ))；

步驟s510、對(duì)miia(v,θ)中的每個(gè)節(jié)點(diǎn)w，循環(huán)執(zhí)行步驟s511到s512；

步驟s511、計(jì)算v在正種子群為sp∪{w}時(shí)的負(fù)激活概率apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟s512、按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)+＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟s6、判斷正種子群是否達(dá)到規(guī)模，若達(dá)到規(guī)模，則執(zhí)行步驟s7；若沒有達(dá)到規(guī)模，則執(zhí)行步驟s4；

步驟s7、輸出正種子群。

為使本實(shí)施例要解決的技術(shù)問題、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本實(shí)施例進(jìn)行詳細(xì)描述。

如圖1所示，本實(shí)施例提供的基于局部影響力計(jì)算的影響力阻斷最大化方法，包括如下步驟：

步驟s1、輸入網(wǎng)絡(luò)g、負(fù)種子群sn、正種子群規(guī)模k，為網(wǎng)絡(luò)每條邊賦予一個(gè)傳播概率，傳播概率表示當(dāng)前時(shí)刻激活的節(jié)點(diǎn)在下一時(shí)刻激活其未被激活的鄰居的概率；

步驟s2、根據(jù)負(fù)種子群中每個(gè)節(jié)點(diǎn)的最大影響出樹mioa(u,θ)確定負(fù)影響傳播范圍negs，對(duì)負(fù)種子群中每個(gè)節(jié)點(diǎn)u構(gòu)造該節(jié)點(diǎn)的最大影響出樹mioa(u,θ)，最大影響出樹由從該節(jié)點(diǎn)出發(fā)的所有傳播概率大于一個(gè)閾值θ的最大影響路徑的并集組成，負(fù)種子群中所有節(jié)點(diǎn)的最大影響出樹的并集組成負(fù)影響傳播范圍；

步驟s3、根據(jù)節(jié)點(diǎn)加入正種子群前后相關(guān)節(jié)點(diǎn)負(fù)激活概率的變化計(jì)算所有節(jié)點(diǎn)的初始阻斷負(fù)影響decinf(v)，對(duì)負(fù)影響傳播范圍內(nèi)的每個(gè)節(jié)點(diǎn)u，構(gòu)造該節(jié)點(diǎn)的最大影響入樹miia(u,θ)，最大影響入樹由到該節(jié)點(diǎn)的所有傳播概率大于一個(gè)閾值θ的最大影響路徑的并集組成，計(jì)算u在miia(u,θ)中的負(fù)激活概率apⁿ(u,sn,sp,miia(u,θ))；對(duì)miia(u,θ)中的每個(gè)節(jié)點(diǎn)v，計(jì)算u在正種子群為sp∪{v}時(shí)的負(fù)激活概率apⁿ(u,sn,sp∪{v},miia(u,θ))，按以下公式累加計(jì)算v的阻斷負(fù)影響decinf(v)：

decinf(v)+＝apⁿ(u,sn,sp,miia(u,θ))-apⁿ(u,sn,sp∪{v},miia(u,θ))；

步驟s4、選擇阻斷負(fù)影響最大的節(jié)點(diǎn)u；

步驟s5、將u加入正種子群sp，更新所有相關(guān)節(jié)點(diǎn)的阻斷負(fù)影響，構(gòu)造選擇的阻斷負(fù)影響最大的節(jié)點(diǎn)u的最大影響出樹mioa(u,θ)，對(duì)mioa(u,θ)中的每個(gè)節(jié)點(diǎn)v，構(gòu)造v的最大影響入樹miia(v,θ)；對(duì)miia(v,θ)中的每個(gè)節(jié)點(diǎn)w，按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)-＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))；

將節(jié)點(diǎn)u加入到正種子群sp；對(duì)mioa(u,θ)\{u}中的每個(gè)節(jié)點(diǎn)v，構(gòu)造v的最大影響入樹miia(v,θ)，計(jì)算v的負(fù)激活概率apⁿ(v,sn,sp,miia(v,θ))；對(duì)miia(v,θ)中的每個(gè)節(jié)點(diǎn)w，計(jì)算v在正種子群為sp∪{w}時(shí)的負(fù)激活概率apⁿ(v,sn,sp∪{w},miia(v,θ))，按以下公式更新w阻斷負(fù)影響decinf(w)：

decinf(w)+＝apⁿ(v,sn,sp,miia(v,θ))-apⁿ(v,sn,sp∪{w},miia(v,θ))；

步驟s6、判斷正種子群是否達(dá)到規(guī)模，若達(dá)到規(guī)模，則執(zhí)行步驟s7；若沒有達(dá)到規(guī)模，則執(zhí)行步驟s4；

步驟s7、輸出正種子群。

本實(shí)施例的有效性可以通過下面的仿真實(shí)驗(yàn)來進(jìn)一步說明。需要說明的是，實(shí)驗(yàn)中應(yīng)用的參數(shù)不影響本發(fā)明的一般性。

1)仿真條件：

cpuinteli7-3770s3.10ghz，ram16.00gb，操作系統(tǒng)windows10，仿真程序編寫語言。

2)仿真內(nèi)容：

在四個(gè)真實(shí)網(wǎng)絡(luò)上進(jìn)行實(shí)驗(yàn)來評(píng)估算法的效率和效果。四個(gè)真實(shí)網(wǎng)絡(luò)為email、nethept、netphy和dblp。roviraivirili大學(xué)的email網(wǎng)絡(luò)將每個(gè)email地址當(dāng)作一個(gè)節(jié)點(diǎn)，如果兩個(gè)節(jié)點(diǎn)之間存在通信，則將它們連接起來。nethept、netphy和dblp是三個(gè)學(xué)術(shù)合作網(wǎng)絡(luò)，節(jié)點(diǎn)表示作者，兩個(gè)節(jié)點(diǎn)之間的邊表示兩個(gè)作者至少合作一篇論文。采用trivalency模型和wc模型來設(shè)置mcicm中的負(fù)面?zhèn)鞑ジ怕屎蚦oicm中的傳播概率。在trivalency模型中，為每條邊從集合{0.2,0.05,0.01}中隨機(jī)選擇一個(gè)傳播概率，分別對(duì)應(yīng)于高、中、低的傳播概率。在wc模型中，邊(u,v)的傳播概率設(shè)置為1/dv，其中dv為節(jié)點(diǎn)v的入度。

本實(shí)施例在仿真實(shí)驗(yàn)中用cima-o表示。

將本實(shí)施例與4個(gè)其他的影響力阻斷最大化方法進(jìn)行仿真對(duì)比。這4個(gè)方法如下，budak等人于2011年在國際會(huì)議《www》上發(fā)表文章“l(fā)imitingthespreadofmisinformationinsocialnetworks”中提出的greedy-h方法，該方法每次估計(jì)影響力時(shí)進(jìn)行10000次蒙特卡洛模擬；budak等人于2011年在國際會(huì)議《www》上發(fā)表文章“l(fā)imitingthespreadofmisinformationinsocialnetworks”中提出的proximity方法，該方法從負(fù)面種子的直接出鄰居中選擇正面種子，所有直接出鄰居按負(fù)面激活概率排序，前k個(gè)負(fù)面激活概率最大的節(jié)點(diǎn)被選為正面種子；degree方法，該方法選擇前k個(gè)度最大的節(jié)點(diǎn)作為正面種子；random方法，該方法隨機(jī)選擇節(jié)點(diǎn)作為正面種子。

仿真實(shí)驗(yàn)在小規(guī)模網(wǎng)絡(luò)email網(wǎng)絡(luò)上的影響力阻斷有效性性能如圖2的(a)～(c)所示，在trivalency模型下，cmia-o比random、degree、proximity和greedy-o分別好32.8％、4.8％、8.4％和3.0％；在wc模型下，cmia-o比random、degree、proximity和greedy-o分別好57.6％、7.5％、4.0％和6.3％；greedy-o花費(fèi)超過6小時(shí)，而cmia-o只需要幾秒鐘，因此cmia-o方法比貪心算法快超過三個(gè)數(shù)量級(jí)。在三個(gè)大規(guī)模網(wǎng)絡(luò)上的影響力阻斷有效性性能如圖3的(a)～(f)所示，在trivalency模型下，cmia-o平均比random、degree和proximity分別好105％、5.5％和13.5％；在wc模型下，cmia-o平均比random、degree和proximity分別好1000％、86.7％和17.7％。

本實(shí)施例提供的基于局部影響力計(jì)算的影響力阻斷最大化方法，可用于社交網(wǎng)絡(luò)信息傳播控制。本實(shí)施例基于節(jié)點(diǎn)的局部結(jié)構(gòu)近似計(jì)算節(jié)點(diǎn)的負(fù)激活概率；基于負(fù)激活概率計(jì)算節(jié)點(diǎn)的負(fù)阻斷影響；迭代選擇負(fù)阻斷影響最大的節(jié)點(diǎn)作為正種子；更新節(jié)點(diǎn)的負(fù)阻斷影響。

以上對(duì)本發(fā)明的具體實(shí)施例進(jìn)行了描述。需要理解的是，本發(fā)明并不局限于上述特定實(shí)施方式，本鄰域技術(shù)人員可以在權(quán)利要求的范圍內(nèi)做出各種變形或修改，這并不影響本發(fā)明的實(shí)質(zhì)內(nèi)容。