45、社交网络影响力最大化与社交媒体关键日期检测算法研究

社交网络影响力最大化与社交媒体关键日期检测算法研究

1. 社交网络影响力最大化算法分析

1.1 不同传播概率下算法传播范围表现

当传播概率 ( p \geq 0.05 ) 时，各算法的传播范围都有所提升。算法效果排序为：LSC > CCA > PageRank > degree > k - core。节点的全局影响力开始发挥作用，k - core 算法与其他算法的差距逐渐缩小，但 degree 算法的效果持续下降。这是因为传播概率较大时，随着种子节点数量增加，节点传播过程中产生的重叠区域范围也逐渐增大，导致最终传播效果降低。

以下是 LSC 算法与其他算法在 Email 网络中影响力范围的平均差异表格：
| 传播概率 | Degree% | k - core% | CCA% | PageRank% |
| — | — | — | — | — |
| 0.01 | -11.11% | 22.76% | 1.38% | -12.27% |
| 0.03 | -13.82% | 91.83% | 17.95% | 3.60% |
| 0.05 | 26.82% | 161.07% | 48.31% | 43.00% |
| 0.07 | 141.78% | 596.82% | 10.97% | 127.40% |
| 0.1 | 124.35% | 214.24% | 1.73% | 110.81% |

从表格可以看出，当传播概率 ( p \geq 0.05 ) 时，LSC 算法具有明显优势。此时，LSC 算法相较于 degree、k - core、CCA 和 Page