【摘 要】
：
在影响力最大化问题中,针对启发式方法精度不足和贪婪方法时间过载的问题,提出一种基于多属性决策方法的影响力最大化算法。首先,从社会网络节点的影响传播、节点之间的影响重叠和节点的信任度角度选取节点的重要性评价指标。然后,建立基于熵权TOPSIS的社会网络节点重要性评价模型,通过模型选择影响范围最广、与当前种子集的重叠最小且信任度最高的节点。最后,构建算法,并通过实验验证算法的性能。实验结果表明,与传统
【基金项目】
：
国家教育部人文社会科学基金资助项目(19YJAZH064)。
论文部分内容阅读
在影响力最大化问题中,针对启发式方法精度不足和贪婪方法时间过载的问题,提出一种基于多属性决策方法的影响力最大化算法。首先,从社会网络节点的影响传播、节点之间的影响重叠和节点的信任度角度选取节点的重要性评价指标。然后,建立基于熵权TOPSIS的社会网络节点重要性评价模型,通过模型选择影响范围最广、与当前种子集的重叠最小且信任度最高的节点。最后,构建算法,并通过实验验证算法的性能。实验结果表明,与传统影响力最大化算法相比,所提算法在传播范围与时间效率上取得了较好的折中。
其他文献
卷积神经网络在隐写分析领域取得了一系列进展,但现有网络结构大多都是专用隐写分析,只针对某一类隐写算法有效。为了提高模型的泛化能力,提出了一种基于新残差网络的图像隐写分析算法。构建了残差分组融合网络结构(W-R2N),采用分组融合的方式来提高提取多尺度特征的能力,增大每层网络的感受野范围,并且增加每组卷积的对角相关性。相对于Xu-Net和SRNET在S-UNIWARD嵌入率为0.4 bpp情况下隐写
针对在电子商务平台上普遍存在的网络水军,提出了一个综合考虑网络结构与时间特征的算法来检测评论网络中的水军群组。该算法由四步组成:a)基于评论网络结构特征的分析挖掘出易受水军攻击的目标产品; b)受"共爆发现象"的启发,提出了一个目标产品被水军群组攻击的可疑时期挖掘算法; c)基于目标产品可疑时期内的数据,构造目标产品—评论者的诱导子图,并在该子图上应用层次凝聚聚类算法生成候选水军群组;d)为了过滤
共享出租车出行对提高城市整体交通通行效率具有重要意义。计算给定时间内任意两个行程匹配关系存在计算量较大的问题,较难满足整个城市空间范围内的需求。提出了一种基于时间、距离和方向约束的快速筛选策略,将该策略应用于基于图的共享行程匹配方法,通过纽约市出租车数据集进行了有效性验证,结果表明提出的筛选策略能够在不影响匹配效果的前提下极大地降低匹配所需的时间(单条行程匹配所需时间分别减少约82%)。对青岛市2
为确保当前区块链数据共享机制中的隐私保护及数据安全,受属性基加密技术能够有效实现云上数据安全共享与访问控制的启发,提出了基于属性基加密的区块链数据共享模型。该模型基于Waters所提出的密文策略属性基加密(CP-ABE)方案,首先,在私钥生成阶段,数据使用方委托多个节点参与联合计算并存储部分私钥,其他数据使用者则不可获取完整密钥,从而提升了私钥的生成效率;其次,为防止密钥滥用及算法中参数的管理,定
对含有模糊不确定性信息的系统进行模型检测时,状态空间爆炸问题成为了亟待解决的主要问题。将形式化的系统模型用拟布尔公式表示,用多终端二叉决策图来对拟布尔公式进行存储。对模糊计算树逻辑的不动点语义给出了解释和证明,然后给出模糊计算树逻辑的符号化模型检测算法,最后通过一个实例验证算法的正确性。该算法可有效缓解对模糊模型检测验证时的状态空间爆炸问题,并扩展了模型检测的应用范围。
针对无线传感网中节点故障率高而导致检测精度低以及能耗大的问题,提出了基于时间序列相似度的无线传感网故障检测算法(FDABTS2)。该算法利用节点时间序列进行差值和相似度的计算,剔除一定故障类型的节点,并对瞬时读数故障数据进行修正。当节点为可疑节点时,利用空间相关性,与剩余邻居节点协作完成判定。在仿真环境下,与LEFD、NADST以及传统的DFD故障检测算法相比,检测精度分别提高了13%、17%和2
为提高智能交通系统(ITS)中无线传感器网络(WSN)的吞吐量和能效性能,提出了一种具备空间调制的协同多输入多输出自动重传请求(CMIMO-SM-ARQ)协议。考虑了双发送节点和双接收节点的四节点WSN,其接收节点可以互为中继辅助发送端传输数据,以降低系统中断概率。建立了具有3L+1个状态的CMIMO-SMARQ协议离散时间马尔可夫链(DTMC)模型,并给出状态空间。根据WSN的中断概率和一步状态
针对应急物流中的运输时效性和物资分配公平性问题,提出了一种两阶段应急物流运输与物资二次分配策略。首先,基于所定义的时间满意度、物资满意度和综合满意度,提出了最大时间满意度车辆路径问题模型和最小加权满意度标准差应急物资分配模型。第一阶段针对最大时间满意度车辆路径问题模型设计了一种混合灰狼优化算法进行求解,该算法采用了最优分割过程分组解码策略,并采用了混沌搜索策略、2-Opt和1-1局部搜索策略来提高
多目标回归(MTR)是一种针对单个样本同时具有多个连续型输出的回归问题。现有的多目标回归算法都基于同一个特征空间学习回归模型,而忽略了各输出目标本身的特殊性质。针对这一问题,提出基于径向基函数的多目标回归特征构建算法。首先,将各目标的输出作为额外的特征对各输出目标进行聚类,根据聚类中心在原始特征空间构成了目标特定特征空间的基;然后,通过径向基函数将原始特征空间映射到目标特定特征空间,构造目标特定的
深度矩阵分解采用深层非线性映射,从而突破了矩阵分解中双线性关系影响推荐系统性能的瓶颈,但它没有考虑用户对未评分项目的偏好,且对于稀疏性较高的大规模数据其推荐性能不具有优势,为此提出一种融合矩阵补全与深度矩阵分解的推荐算法。首先通过矩阵补全模型将原始评分矩阵中的未知元素进行填补,然后依据补全后的矩阵,利用深度学习模型分别构建用户和项目潜在向量。最后,在MovieLens和SUSHI数据集上进行测试,