2020-03-01 09:42 盼盼
贪心 （1）首先|S|=1，在所有点中选一个在IC模型下跑出感染的点数量最多的点加入S （此时跑了n趟IC） （2）再在剩下的点中选一个加入S后结果最好的点加入S （此时跑了n-1趟IC） （3）重复2，直到能S扩散的结果能覆盖所有点 IC （1）激活S中的所有节点，加入活集A（本轮被激活的所有点） （2）找到A的非活邻居集N（可能被传染的所有点），对于N中的每一个点，被传染的概率都为1-(1-Pa1,n)*(1-Pa2,n)。 （3）清空A （4）标记所有被传染的点，并放入A （4）重复2、3直到步骤2已...
继续阅读 »2020-03-01 09:18 盼盼
该算法每个节点的阈值设为 0.5 用Buv表示节点u对其邻居节点的影响力：Buv=1/Lin；Lin（v）-------点v的入度。 ２、LT传播模型算法实现 linear_threshold.py (LT传播模型算法) Implement linear threshold models 社交网络影响力最大化 传播模型线性阈值（LT）模型算法实现 def linear_threshold(G, seeds, steps=0): #LT线性阈值算法 """""" Parameters ----...
继续阅读 »2020-02-29 15:23 盼盼
首先，我们将社交网络抽象为一个有向图 ，其中， 为节点的集合， 是边的集合，网络中的节点有两个状态激活（active）与未激活（inactive）。 在 独立级联模型 中，每一条有向边 都有一个对应的概率值 ，这表明已激活节点u通过边 使得未激活节点 激活的概率。在 的时刻，选定一个节点集合 未激活状态，其余未激活。在 的任意时刻 ，每一个在 时刻激活的节点 都会尝试通过边 去激活其未激活的邻居节点 ，并且有 的概率激活 。所有 的激活尝试都是独立事件，如果激活成功则 将参与 时刻的激活行为，未成功则 在...
继续阅读 »2020-01-14 20:47 neunms
模型可视化过程中需要使用 from keras.utils import plot_model plot_model(model, to_file='./model.png',show_shapes=True) 安装GraphViz过程中按网上的方法不行： 安装GraphViz 添加环境变量 pip 安装pydot 尝试用conda conda forge安装GraphViz 直接输入命令： conda install GraphViz --channel conda-forge -y ...
继续阅读 »2018-03-12 21:36 sunmengqi
基本概念 ： 社交网络上的影响力最大化问题需要借助于相应的影响力传播模型，在研究中一般将社交网络抽象成一个图G(V, E)，其中V为网络中个体的集合，E为网络中个体之间交互和关系的集合；网络G上的每个节点初始时刻有两种状态，即激活和未激活，只有处于激活状态的节点且对它指向的节点才具有影响力，未激活的节点则对它指向的节点没有影响力，当一个节点被其它节点成功影响时，称此节点被激活；当一个节点被激活的邻居节点越来越多，该节点被激活的概率则越来越大，直到某一时刻该节点被激活，被激活的节点又可以影响它指向的节点...
继续阅读 »
