一种评估社会网络中重叠社区影响力的方法  

Method for Estimating Overlapping Community Influence in Social Networks

作　　者：罗宇敏 陈羽中[1,2] 詹振峰 施松[1,2] 

机构地区：[1]福州大学数学与计算机科学学院,福州350108 [2]福州大学福建省网络计算与智能信息处理重点实验室,福州350108

出　　处：《小型微型计算机系统》2015年第8期1769-1773,共5页Journal of Chinese Computer Systems

基　　金：国家自然科学基金项目(61300104;61103175;61370210)资助;福建省教育厅重点项目(JK2012003)资助;福建省科技创新平台项目(2009J1007)资助;福建省自然科学基金项目(2013J01232)资助;福建省科技厅产学重大项目(2014H6014)资助

摘　　要：社会影响力分析是社会网络研究的热点问题之一.针对社会影响力的研究,目前主要集中于社会网络中个体节点影响力的分析,而对社区级的社会影响力的研究却很少涉及.从一个全新的角度提出一种评估重叠社区影响力的方法.该方法主要包含两个部分:(1)评估每对节点(用户、实体)间的相互影响力,为了量化该影响力,提出一个相互评价学习模型MEL(Mutual Evaluation Learning);(2)基于该模型和PageRank算法的思想,设计了一种重叠社区影响力排序的算法CCIR(Cross-community Influence Rank).真实网络中的实验结果表明,该算法能够适应不同真实网络的场景,合理有效地反应真实社会网络中的社区影响力分布情况.Analysis of the social influence has become a hotspot in the research of the social networks. For studying the social influence in social networks,current research mainly focuses on evaluating some node＇s influence in the whole social networks, while the influence on the community level has rarely been discussed. In this paper, we propose a novel method for evaluating the cross-community influence. This method encompasses two components： （1 ） a model named Mutual Evaluation Learning （MEL ） for evaluating the pair- wise influence between two nodes （ users, entities ） ; and （ 2 ） a ranking algorithm of cross-community influence （CCIR） is designed for quantifying the influential strength of each cross-community based on the PageRank. Empirical studies on several real-world social net- works show that our method can adapt to the different networking scenarios, and can reflect the distribution of community influence reasonably and effectively.

关 键 词：社会网络 重叠社区影响力 相互评价模型 PAGERANK CCIR 

分 类 号：TP301[自动化与计算机技术—计算机系统结构]