本發(fā)明涉及表示學(xué)習(xí)及在線社交網(wǎng)絡(luò)分析，具體為基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法、系統(tǒng)及存儲介質(zhì)。

背景技術(shù)：

1、一個城市級的多層物流與社交網(wǎng)絡(luò)，用于緊急物資配送與信息傳播；該網(wǎng)絡(luò)不僅包含常規(guī)的社交層，如用戶社交關(guān)系，還包含實際物流運輸層，如不同站點、倉庫與車輛間的關(guān)系，以及公眾輿情和線下活動信息層，如大型會議、公共活動地點之間的關(guān)聯(lián)；

2、在多層網(wǎng)絡(luò)中發(fā)現(xiàn)最具影響力的種子節(jié)點，需要既能快速傳播信息，也能高效組織資源；對于應(yīng)急響應(yīng)、政策宣貫、資源調(diào)配都有重要意義；但由于多層網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，節(jié)點間存在多重關(guān)系，傳統(tǒng)的隨機游走中心性方法難以充分利用跨領(lǐng)域的信息，影響力評估不夠精準(zhǔn)；本背景技術(shù)中，“節(jié)點”可代表城市中的個人、重要組織、運輸站點等；“邊”則代表多種聯(lián)系，社交層、物理物流層、信息傳播層等；

3、現(xiàn)有技術(shù)中的，公開號為cn109447261a，名稱為一種基于多階鄰近相似度的網(wǎng)絡(luò)表示學(xué)習(xí)的方法。相比于傳統(tǒng)的基于結(jié)構(gòu)分析的網(wǎng)絡(luò)表示只考慮了一階鄰近相似度和二階鄰近相似度的關(guān)系，重點為節(jié)點間的高階鄰近相似度建模，分別設(shè)計了不同類別的間接鄰近相似度的計算方法，尤其是考慮到了信息在網(wǎng)絡(luò)傳播過程中會隨著距離的增加而衰減，因此，該方法能對當(dāng)前節(jié)點的不同鄰居節(jié)點進(jìn)行預(yù)測，更加準(zhǔn)確的找到與目標(biāo)節(jié)點的關(guān)聯(lián)度最大的鄰近節(jié)點，從而能夠得到語義更加豐富，具有更高的可靠性和真實性的表示向量。

4、目前，影響力最大化問題的研究主要集中在單層社交網(wǎng)絡(luò)中，而多層社交網(wǎng)絡(luò)的復(fù)雜性和多樣性使得傳統(tǒng)方法難以有效識別種子節(jié)點，尤其是在多重影響力交互的情況下；如何利用城市能耗與交通擁堵傳感數(shù)據(jù)的跨領(lǐng)域融合，轉(zhuǎn)而結(jié)合城市級“能耗與交通擁堵”數(shù)據(jù)，來間接刻畫節(jié)點間的相似程度和潛在影響力，并有效識別到最具影響力的種子節(jié)點是當(dāng)下需要解決的技術(shù)問題，其中最具影響力的種子節(jié)點為多層網(wǎng)絡(luò)影響力最大化問題。

5、在上述背景技術(shù)部分公開的上述信息僅用于加強對本公開的背景的理解，因此它可以包括不構(gòu)成對本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法、系統(tǒng)及存儲介質(zhì)，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法，具體步驟包括：

4、s1、獲取多層社交網(wǎng)絡(luò)節(jié)點所對應(yīng)城市區(qū)域的城市能耗與交通擁堵數(shù)據(jù)，提取多層社交網(wǎng)絡(luò)節(jié)點的嵌入式特征，并計算節(jié)點之間的初始化關(guān)聯(lián)權(quán)重，利用城市能耗與交通擁堵數(shù)據(jù)，對節(jié)點之間的初始化關(guān)聯(lián)權(quán)重進(jìn)行調(diào)節(jié)；

5、s2、根據(jù)調(diào)節(jié)后的節(jié)點間權(quán)重進(jìn)行反向隨機游走，并記錄所有被訪問到的節(jié)點，形成一個備選節(jié)點集；

6、s3、統(tǒng)計備選節(jié)點集中各節(jié)點的訪問次數(shù)，并選擇訪問次數(shù)最多的前top-k個節(jié)點，作為在多層網(wǎng)絡(luò)中最具影響力的種子節(jié)點集合，從而解決多層網(wǎng)絡(luò)影響力最大化問題。

7、一種基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)系統(tǒng)，所述系統(tǒng)用于執(zhí)行所述的基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法，包括：

8、初始化關(guān)聯(lián)權(quán)重確定模塊：用于獲取多層社交網(wǎng)絡(luò)節(jié)點所對應(yīng)城市區(qū)域的城市能耗與交通擁堵數(shù)據(jù)，提取多層社交網(wǎng)絡(luò)節(jié)點的嵌入式特征，并計算節(jié)點之間的初始化關(guān)聯(lián)權(quán)重，利用城市能耗與交通擁堵數(shù)據(jù)，對節(jié)點之間的初始化關(guān)聯(lián)權(quán)重進(jìn)行調(diào)節(jié)；

9、反向隨機游走模塊：用于根據(jù)調(diào)節(jié)后的節(jié)點間權(quán)重進(jìn)行反向隨機游走，并記錄所有被訪問到的節(jié)點，形成一個備選節(jié)點集；

10、種子節(jié)點集合確定模塊：用于統(tǒng)計備選節(jié)點集中各節(jié)點的訪問次數(shù)，并選擇訪問次數(shù)最多的前top-k個節(jié)點，作為在多層網(wǎng)絡(luò)中最具影響力的種子節(jié)點集合，從而解決多層網(wǎng)絡(luò)影響力最大化問題。

11、一種可讀存儲介質(zhì)，所述可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法。

12、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：通過評估單一影響和多重影響的耦合傳播情況來增強信息傳播的效果，通過學(xué)習(xí)豐富的節(jié)點表示，該方法能夠更有效地度量節(jié)點之間的相似性，并通過反向隨機游走來捕獲多層網(wǎng)絡(luò)中的影響節(jié)點，并結(jié)合城市級“能耗與交通擁堵”數(shù)據(jù)，來間接刻畫節(jié)點間的相似程度和潛在影響力，有效識別到最具影響力的種子節(jié)點，從而克服了傳統(tǒng)方法在多層網(wǎng)絡(luò)中的局限性。

技術(shù)特征：

1.基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法，其特征在于，具體步驟包括：

2.根據(jù)權(quán)利要求1所述的基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法，其特征在于：提取多層社交網(wǎng)絡(luò)節(jié)點的嵌入式特征，包括如下步驟：

3.根據(jù)權(quán)利要求2所述的基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法，其特征在于：在s11構(gòu)建多層社交網(wǎng)絡(luò)結(jié)構(gòu)時，分別考慮以下單影響力傳播模型和多影響耦合傳播模型；

4.根據(jù)權(quán)利要求3所述的基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法，其特征在于：將多層網(wǎng)絡(luò)影響力最大化問題定義為如下形式：

5.根據(jù)權(quán)利要求4所述的基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法，其特征在于：s12從多層社交網(wǎng)絡(luò)結(jié)構(gòu)中提取嵌入式特征，具體包括：

6.根據(jù)權(quán)利要求5所述的基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法，其特征在于：基于嵌入式特征計算不同節(jié)點間的相似程度，具體包括：

7.根據(jù)權(quán)利要求6所述的基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法，其特征在于：利用城市能耗與交通擁堵數(shù)據(jù)，對節(jié)點之間的初始化關(guān)聯(lián)權(quán)重進(jìn)行調(diào)節(jié)，具體包括：

8.根據(jù)權(quán)利要求7所述的基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法，其特征在于：根據(jù)調(diào)節(jié)后的節(jié)點間權(quán)重進(jìn)行反向隨機游走，以及選擇訪問次數(shù)最多的前top-k個節(jié)點，作為在多層網(wǎng)絡(luò)中最具影響力的種子節(jié)點集合，包括如下步驟：

9.一種基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)系統(tǒng)，其特征在于：所述系統(tǒng)用于執(zhí)行權(quán)利要求1-8任意一項所述的基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法，包括：

10.一種可讀存儲介質(zhì)，所述可讀存儲介質(zhì)存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至8任一項所述基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法。

技術(shù)總結(jié)
本發(fā)明提供基于多層網(wǎng)絡(luò)表示學(xué)習(xí)的反向隨機游走中心性表達(dá)方法、系統(tǒng)及存儲介質(zhì)，涉及表示學(xué)習(xí)及在線社交網(wǎng)絡(luò)分析技術(shù)領(lǐng)域，本發(fā)明通過評估單一影響力和多重影響力的耦合傳播情況來增強信息傳播的效果，通過學(xué)習(xí)豐富的節(jié)點表示，該方法能夠更有效地度量節(jié)點之間的相似性，并通過反向隨機游走來捕獲多層網(wǎng)絡(luò)中的影響節(jié)點，并結(jié)合城市級“能耗與交通擁堵”數(shù)據(jù)，來間接刻畫節(jié)點間的相似程度和潛在影響力，有效識別到最具影響力的種子節(jié)點，從而克服了傳統(tǒng)方法在多層網(wǎng)絡(luò)中的局限性。

技術(shù)研發(fā)人員：張和貴,李軍,張和平,寇綱,徐健,張婧
受保護的技術(shù)使用者：東北財經(jīng)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/24