社交网络环境下影响最大化的问题分析

2017年第2期 信息通信2017 (总第 170 期）INFORMATION&COMMUNICATIONS(Sum.No 170)社交网络环境下影响最大化的问题分析

朱靖

(铁通乌鲁木齐分公司，新疆乌鲁木齐83〇000)

摘要:社交网络具有社区特征，很大程度上影响了信息在网络中的传播，构建了一些计算节点影响的参数，给出了社区结构影响最大化的计算模型,借助试验模型，以验证方式分析了模型。最终利用计算模型，经过设计与计算,得到了基于影响最大化的舆论牵引策略算法，于社区舆论引导系统中获得了比较不错的引导效果。

关键词:社交网络;影响；最大化

中图分类号:G206 文献标识码:A文章编号=1673-1131(2017)02-0176-02

研宄社交网络中影响最大化问题具有突出的意义，主要 体现在对网络营销及信息监管等产生了积极影响[1]。谣言对社 会形象产生的影响是非常大的，严重时，导致人们群众财产损 失，不利社会正常秩序的稳定。检测网络舆情,时时把控社会 动态，正确引导社会舆论，迅速应用社会危机。对信息传播趋 势做出预测，舆论热点的引导与谣言消息的疏堵开始成为一 个重要的研宄方向。

1复杂网络节点的特征值

各节点在实际社交网络中所的位置不一定是平等的。针 对这种不平等，传统的社会网络使用的研宄方法是，以节点度 中心性为依据实施分析。度中心性也称之为节点度数。表示 的是，全部和该节点相连的边的条数。节点度中心性增大同 时，与该节点进行连接的其余节点变多,和上述节点以较强的 能力进行信息传播。一些研宄是寻找网络中的意见领袖，对

一方面，要完善我国网络信息环境，建立完善的信息发展制度,为信息有关企业的发展提供保障，另一方面，则要全面加强自 主创新水平，加强研发资金投入,从而真正实现智能终端安全 性能的提升。

(3)培养用户的信息安全观念。受近年来我国网络技术逐 渐普及的影响，各行各业也逐渐认识到网络信息安全的重要 性，因此开始实施网络监管，这样做的主要原因在于维护网络 数据安全，并保障用户以及国家的正当权益。基于此,为了避 免出现网络信息安全问题，加强用户信息安全观念、提升计算 机操作专业化水平十分重要。一方面，政府部门要重点强调 信息安全管理的重要性，基于信息化整体，采用针对性的防范 策略，掌握信息安全问题存在既然规律,合理规划网络信息安 全系统，加大资金、人力资源投入，在推动信息行业发展的同 时，也对信息安全管理工作的有效开展提出保障。另一方面, 网络用户要不断提升自身的信息安全观念，认识到信息安全 对于国家、社会的重要性，建立危机意识,不仅是为自己，同时 也是为了保障国家的利益，提高自身计算机操作水平，避免操 作失误导致的信息安全问题。

除此之外，加强用户道德素养也是解决信息安全问题的 有效措施。计算机系统中出现信息泄露等问题，并非完全是 因为病毒、黑客的原因，其中也包含了用户操作方面的原因。网络环境作为人际交往的另一种形式，在交往的过程中也涉 及到了信息的传输，加强用户道德素养,是希望能够为网络交 流提供一个良好的环境，以便用户之间可以放心交往。针对 一些随意泄露他人信息的现象，可以通过加强网络道德约束 的方式，对网络用户的行为加以限制，避免信息泄露，提升网

176此研宄，节点的度数非常重要。

节点的度对节点重要程度进行直接反应，消息传播时，获

得较大度数的节点，具有将信息传播给较多节点的机会。对

邻居节点间连系的紧密程度却无法做出反应，所以，便不能度

量邻居节点内该信息传播节点的数目。通常真实社交网络在

结构性质方面存有一个共性，即聚集性。你朋友圈所有人都

是认识的。你的朋友和你有着相同的生活区域，为此,彼此间

的认识较为自然。复杂网络具有聚集性，借助平均聚集系数

实施定量描述。

2节点影响的计算

结合社区合并的次序,明确社会结构中节点所处的位置，

最终计算出网络的节点平均影响。其表示由网络中的1个单

一节点出发而传播信息，对节点平均个数产生影响。对社区

中一个节点在社区中产生影响，直接用社区的节点平均影响

络用户行为的规范化。

(4)提升互联网安全防范技术。为了对网络黑客和病毒

加以防范，提升互联网安全防范技术十分必要。一方面，要结

合时代发展，对计算机病毒库加以更新，扩充可防范病毒种类，

并定期对计算机系统进行杀毒，以免因为病毒等原因对数据

信息的安全性造成影响气另一方面，全面提升计算机系统的

安全防范水平，面对黑客的攻击能够给予正当的防范,以免因

为黑客攻击等问题导致信息泄露，并造成计算机安全问题。

3结语

综上所述,在当下大数据时代的环境下，为了合理避免信

息安全的影响，结合实际情况，提出合理的应对方式，是最为

有效的策略。只有加大对互联网信息的重视程度，才能真正

解决信息安全问题，并实现计算机信息安全水平的提升。

参考文献：

[1]欧三任.公共信息安全问题的审视与应对[J].重庆邮电大

学学报(社会科学版),2010 (1):59-64.

[2]刘宇奇.基于开放信息环境的信息安全问题与应对措施

[J].电子技术与软件工程,2013(20) :254.

[3]杜芸.论如何有效应对网络信息安全问题所带来的威胁

[J].电脑知识与技术,2016(27):18-19+22.

[4]段柳，舒露.网络信息安全攻击方式及应对策略[J].中国新

通信，2016(5) :12.

[5]张博.电子政务信息安全存在的问题及应对策略[J].长春

工程学院学报(社会科学版)，2〇14(1):33-36.

信息通信朱靖:社交网络环境下影响最大化的问题分析

进行表示，不考虑网络结构提供的拓扑信息，对这些拓扑结构，各节点向外传播信息过程中，对传播过程产生的影响较为明 显，最终结果不太精确。

基于聚集系数的节点影响的计算。节点所处的局部区域，有一定的连接紧密程度，需要通过节点的聚集系数实施分析。也就是这种聚集系数越大，表明更加处在联系紧密的社区内 部，也就会把信息多次传给较多的节点，不然，其越趋近于社 区边缘，传播的的节点数据较少。对节点的影响、网络平均影 响间的比值，通过节点的聚集系数、网络的平均聚集系数间的 比值进行体现。各节点的聚集系数平均整个网络，获得网络 的平局聚集系数。

3实验结果

处在比较小的网络中，对原始算法与IM C S算法的运行结 果做出了比较,在随机生成的200个节点图中,选取的种子集 合，其规模为5,且影响较大。原始贪心爬山算法与IM C S算 法的应用，在所选取的节点集合中，其中选择的两个节点是不 同的。从实际情况看，2个种子集合影响大小上存有差异，这 种差异为8.2%。线性阈值模型的运行状况下，结合各优化算 法，呈现了试验结果。

在本次试验中,K值的取值范围在5至50间。10为IMCS 算法的阈值取值，2010为D A G IS算法的阈值取值，从两个主 要指标对这些算法做出了比较。对运行时间的花费，选取不 同的k值，在计算原始网络的节点平均影响上，IM C S算法有 一部分时间用在了这上面，为此，当种子规模不大时，各种子 用了较多的平均时间。事实上，种子规模不断增大时,运行时 间的增长较少。此外，两种算法未表现出这重特征，所以，大 致上看,其时间花费呈现线性增长的状况。

从总体上看，相比D AG IS算法运行的时间花费,IM C S算 法运行的时间花费比其多了一倍，相比CELFGreedy算法，多 了 12倍。对选择的种子影响层面，选取不同的k值，各种算 法计算下而得出初始种子集合的影响。

由试验结果不难得出，IM C S算法应用下，对初始种子集 合影响实施计算，处在D A G IS算法与CELFG reedy间，相比 CELFGreedy平均低了 20.3%,相比GAGIS,平均高出了 12.8%,事实上,节点规模超出35时,已经非常趋近CELFGre­edy，相较之下，只低出了 7.5%®。

4关键数据结构设计与说明

F N算法涵盖了许多用作辅助计算数据结构:①用作存储 网络的邻接表，其中每1个邻接表头节点，表示了 1个顶点，其保存的信息包括顶点聚集系数、顶点的编号;各邻接表节点 对1条边做出表示，其存储的信息涵盖了该边的权重值与入 节点编号，代表信息由出节点出发，流入节点，其概率的大和 小。②将全局最大模块度增量应用其中，将各行的局部最大 增量值存储起来。更有助于获得对应的边的信息等。各项在 模块度增量矩阵中表示1行，其组成部分有三方面：1颗红黑 树，保存该节点局部堆中各出边的位置;1个全局堆元素指针，指向全局最大模块度增量堆中增量最大的边的位置;1个局部 堆，保存该节点各出边信息。

合并各次合区，在该矩阵中，去掉非留存节点的一行，并 且在其他与之有关的行中更新它的信息，将该行的红黑树调 整在合理范围，更新后，产生了新的局部最大模块度增量边,需要对该行的局部最大模块度增量实施更新，在全局最大模

块度增量堆中的信息以及矩阵中指向指针位置。在储矩阵中，

堆存最大模块度增量的各行局部最大模块度增量边。计算时，

通过该堆，有助于获得全局最大的模块度增量边，以实施后续

合并操作。

5处理流程与主要函数说明

既有网络中节点平均影响与平均聚集系数的应用，对节

点平均影响与平均聚集系数进行迭次计算，进而实现计算过

程的推进。IM C S算法流程如下：

开始—参数初始化—计算初始网络节点平均影响—种

子集合规模达到k—将对象网络中的所有节点作为候选节

点集—候选节点集中还存在节点（是)—将候选节点集中的

某个节点加入到当前种子集合中作为候选种子，将这个点从

当前影响对象网络中取出作为候选影响对象网络一计算候

选对象网络节点平均影响一计算候选对象网络的平均聚集

系数一计算候选种子集合的影响一与当前最大影响的候选

种子比较并记录其中较大者作为最佳候选—将最佳候选种

子作为新的种子集合并更新影响对象网络的信息—计算初

始网络节点平均影响至种子集合规模达到k的中间阶段。

在这个过程中，当候选节点集中还存在节点（否），将直接进

入将最佳候选种子作为新的种子集合并更新影响对象网络

的信息流程。如果种子集合规模达到k(是），便直接结束。

流程中的主要函数包括参数初始化函数、候选对象网络总体

影响计算函数。

调用参数：结构变量的指针，adjacencyList可将图的邻接

表的元存储起来,素类型结构体。功能描述:以传入的图G的

邻接表为依据，参数初始化函数，计算各节点聚集系数，于原

图G的邻接表中进行保存;对现阶段的影响对象网络tagetNet

进行设置,生成图G，通过计算得到其平均聚集系数;对现阶段

的种子集合seed进行设置，生成空,对其影响进行初始化，变

成〇;对现阶段的候选种子集合seedPro进行设置，生成空，设

置其影响为0。

调用参数：结构变量的指针，表示的是现阶段的影响

对象网络。类型的变量，表示的是新添加的候选种子集合

的节点的ID。功能描述：结合现阶段影响对象网络的有

关信息，将总体影响的迭次计算公式应用其中，如果计算

把对象网络中的候选节点去掉，获得候选对象网络的总体

影响。

6结语

在社交网络中影响最大化理论基础上，设计生成了新型

的引导策略提供模块。这种该模型的实现，并应用于在线社

区舆论引导系统中，未设计这种模型而使之变成布式的并行

计算模型。为迎合大数据时代发展需求,处理大量流式数据，

这点相当重要。因此,后续研宄逐步实施算法并行化设计，这

说该算法有待完善的一个方面。

参考文献：

[1]谢欢.社交网络环境下多信息竞争传播博弈均衡影响最大

化的研宄[D].北京理工大学,2015.

[2]江禹.社交网络中影响最大化的研宄与应用[D].重庆大学，

2015.

177