·764· 智能系统学报 第16卷 SO 2)扩展传统的信息熵模型，考虑多种社会影 70 响力的影响因素，度量HN中不同类型节点的直 接影响和间接影响，有效地描述了社会影响力的 50 复杂性和不确定性。 40f- *0-=0.4 --=0.7 3)在3个真实数据集和两个扩散模型上评估 30 ,-◆-=0.5 -=0.8 了IMNE算法的性能，实验结果表明，IMNE算法 -◆-=0.6 =-=0.9 相较于其他基准算法能在更短的时间内实现影响 20 40 60 形 100 top-k 范围最大。 (b)4-area 参考文献： [1]HEIDARI M.ASADPOUR M.FAILI H.SMG:fast scal- 红*总速走这幸遗南密一￥字 able greedy algorithm for influence maximization in social networks[J].Physica a:statistical mechanics and its applic- ations..2015,420:124133. =0-=0.4 =-=0.7 [2]ORIEDI D,DE RUNZ C,GUESSOUM Z,et al.Influence ◆.=0.5 4-7=0.8 -t.=0.6 -。.0.9 maximization through user interaction modeling[C]//Pro- 25 ceedings of the 35th Annual ACM Symposium on Applied 20 40 60 80100 top-k Computing.Brno,Czech Republic,2020:1888-1890. (c)Amazon [3]LIU Wei,CHEN Ling,CHEN Xin,et al.An algorithm for influence maximization in competitive social networks 图8SR中不同的感染概率对MNE算法的影响 Fig.8 Comparison of IMNE with different y on three with unwanted users[J].Applied intelligence,2020,50(2): 417-437. datasets. [4]KIANIAN S,ROSTAMNIA M.An efficient path-based 从图8可以看出，随着感染概率y的增加，感 approach for influence maximization in social networks[J]. 染节点的比例也增加，这与事实相符。但是，从图8a Expert systems with applications,2021,167:114-168. 可以看出，当感染概率分别为0.6和0.7时，感染 [5]SHANG Jiaxing,ZHOU Shangbo,LI Xin,et al.CoFIM:a 率接近，因此本文选择0.8作为感染概率。 community-based framework for influence maximization 4结束语 on large-scale networks[J].Knowledge-based systems, 2017,117:88-100. 本文提出了一种HN中基于网络嵌入的影响 [6]胡庆成，张勇，邢春晓.基于有重叠社区划分的社会网络 力最大化算法IMNE,该模型首先基于网络嵌人 影响最大化方法研究.计算机科学，2018,45(6)： 32-35. 方法将不同类型的节点映射于低维向量空间，保 HU Qingcheng,ZHANG Yong,XING Chunxiao,et al.K- 留HN的网络结构以及语义信息，使得不同类型 clique heuristic algorithm for influence maximization in 节点处于同一度量空间，然后通过扩展传统信息 social network[J].Computer science,2018,45(6):32-35. 嫡模型度量HN中不同类型节点的影响力选择 [7]KEMPE D,KLEINBERG J,TARDOS E.Maximizing the 最具影响力的节点作为种子集，实现了HN中的 spread of influence through a social network[Cl//Proceed- 影响力最大化。但本文选择了已知的SR模型和 ings of the Ninth ACM SIGKDD International Conference 线性阈值模型作为影响力扩散模型，未提出新的 on Knowledge Discovery and Data Mining.Washington. 扩散模型，在将来的工作中，将考虑提出基于博 USA,2003:137-146 弈论的扩散模型，不仅考虑网络结构对影响力扩 [8]LESKOVEC J,KRAUSE A,GUESTRIN C,et al.Cost-ef- 散的影响，还考虑信息本身对影响力扩散的影响。 fective outbreak detection in networks[Cl//Proceedings of 本文的主要贡献如下： the 13th ACM SIGKDD International Conference on 1)提出了一种HIN中基于网络嵌入的影响 Knowledge Discovery and Data Mining.San Jose,USA. 2007:420-429. 力最大化模型IMNE,该模型利用网络嵌人将 [9]GOYAL A,LU Wei,LAKSHMANAN L V S.CELF: HN中所有节点映射于同一向量空间，不仅揭示 optimizing the greedy algorithm for influence maximiza- 了HN中丰富的语义信息，还保留了更多的上下 tion in social networks[Cl//Proceedings of the 20th Interna- 文信息，同时还解决了HN中不同类型间的异质 tional Conference Companion on World Wide Web.Hy- 问题，保持不同类型节点处于同一度量空间： derabad.India.2011:47-48.80 70 60 50 40 20 30 1 20 1 40 60 80 100 top-k (b) 4-area 感染率/% γ=0.4 γ=0.5 γ=0.6 γ=0.7 γ=0.8 γ=0.9 45 40 35 30 25 20 40 60 80 100 top-k (c) Amazon 感染率/% γ=0.4 γ=0.5 γ=0.6 γ=0.7 γ=0.8 γ=0.9 图 8 SIR 中不同的感染概率对 IMNE 算法的影响 Fig. 8 Comparison of IMNE with different γ on three datasets. 从图 8 可以看出，随着感染概率 γ 的增加，感 染节点的比例也增加，这与事实相符。但是，从图 8(a) 可以看出，当感染概率分别为 0.6 和 0.7 时，感染 率接近，因此本文选择 0.8 作为感染概率。 4 结束语 本文提出了一种 HIN 中基于网络嵌入的影响 力最大化算法 IMNE，该模型首先基于网络嵌入 方法将不同类型的节点映射于低维向量空间，保 留 HIN 的网络结构以及语义信息，使得不同类型 节点处于同一度量空间，然后通过扩展传统信息 熵模型度量 HIN 中不同类型节点的影响力选择 最具影响力的节点作为种子集，实现了 HIN 中的 影响力最大化。但本文选择了已知的 SIR 模型和 线性阈值模型作为影响力扩散模型，未提出新的 扩散模型，在将来的工作中，将考虑提出基于博 弈论的扩散模型，不仅考虑网络结构对影响力扩 散的影响，还考虑信息本身对影响力扩散的影响。 本文的主要贡献如下： 1) 提出了一种 HIN 中基于网络嵌入的影响 力最大化模型 IMNE，该模型利用网络嵌入将 HIN 中所有节点映射于同一向量空间，不仅揭示 了 HIN 中丰富的语义信息，还保留了更多的上下 文信息，同时还解决了 HIN 中不同类型间的异质 问题，保持不同类型节点处于同一度量空间； 2) 扩展传统的信息熵模型，考虑多种社会影 响力的影响因素，度量 HIN 中不同类型节点的直 接影响和间接影响，有效地描述了社会影响力的 复杂性和不确定性。 3) 在 3 个真实数据集和两个扩散模型上评估 了 IMNE 算法的性能，实验结果表明，IMNE 算法 相较于其他基准算法能在更短的时间内实现影响 范围最大。 参考文献： HEIDARI M, ASADPOUR M, FAILI H. SMG: fast scal￾able greedy algorithm for influence maximization in social networks[J]. Physica a: statistical mechanics and its applic￾ations, 2015, 420: 124–133. [1] ORIEDI D, DE RUNZ C, GUESSOUM Z, et al. Influence maximization through user interaction modeling[C]//Pro￾ceedings of the 35th Annual ACM Symposium on Applied Computing. Brno, Czech Republic, 2020: 1888−1890. [2] LIU Wei, CHEN Ling, CHEN Xin, et al. An algorithm for influence maximization in competitive social networks with unwanted users[J]. Applied intelligence, 2020, 50(2): 417–437. [3] KIANIAN S, ROSTAMNIA M. An efficient path-based approach for influence maximization in social networks[J]. Expert systems with applications, 2021, 167: 114–168. [4] SHANG Jiaxing, ZHOU Shangbo, LI Xin, et al. CoFIM: a community-based framework for influence maximization on large-scale networks[J]. Knowledge-based systems, 2017, 117: 88–100. [5] 胡庆成, 张勇, 邢春晓. 基于有重叠社区划分的社会网络 影响最大化方法研究 [J]. 计算机科学, 2018, 45(6): 32–35. HU Qingcheng, ZHANG Yong, XING Chunxiao, et al. K￾clique heuristic algorithm for influence maximization in social network[J]. Computer science, 2018, 45(6): 32–35. [6] KEMPE D, KLEINBERG J, TARDOS É. Maximizing the spread of influence through a social network[C]//Proceed￾ings of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Washington, USA, 2003: 137−146. [7] LESKOVEC J, KRAUSE A, GUESTRIN C, et al. Cost-ef￾fective outbreak detection in networks[C]// Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Jose, USA, 2007: 420−429. [8] GOYAL A, LU Wei, LAKSHMANAN L V S. CELF++ : optimizing the greedy algorithm for influence maximiza￾tion in social networks[C]//Proceedings of the 20th Interna￾tional Conference Companion on World Wide Web. Hy￾derabad, India, 2011: 47−48. [9] ·764· 智 能 系 统 学 报 第 16 卷