影响力最大化——最常用的模型IC和LT模型以及python实现

最新推荐文章于 2024-04-13 20:47:50 发布

原创

最新推荐文章于 2024-04-13 20:47:50 发布 · 7.5k 阅读

66 ·

CC 4.0 BY-SA版权

文章标签：

#python #算法

本文介绍了两种主要的社交网络传播模型：IC模型（独立级联模型）和LT模型（线性阈值模型）。IC模型通过设定每条边的传播概率来模拟信息在社交网络中的传播过程；而LT模型则为每个节点设定了一个激活阈值，当邻居节点的激活概率总和超过该阈值时，节点被激活。文章详细解释了这两种模型的工作原理及模拟过程。

该文章已生成可运行项目，

一、IC模型（独立级联模型）

红色为处于激活态的种子节点，每条边都有一个传播概率p，激活的节点会以p的概率去激活邻居节点，一个节点有且只有一次机会去激活另一个节点，如果失败，则不再去尝试激活这个节点。

def preprocess(G):
    p = 0
    directedGraph = nx.DiGraph()
    for u in G.nodes():
        for v in G.neighbors(u):
            if (v != u):
                #propProb = G.number_of_edges(u, v) / G.in_degree(v)
                propProb = G.number_of_edges(u, v) / G.degree(v)
                directedGraph.add_edge(u, v, pp=propProb)
                #p += propProb
                #print(propProb)
    #print('平均阈值：', p/2939)
    return directedGraph
def simulate(G, seedNode, propProbability):
    newActive = True
    currentActiveNodes = copy.deepcopy(seedNode)
    newActiveNodes = set()
    activatedNodes = copy.deepcopy(seedNode)  # Biar ga keaktivasi 2 kali
    influenceSpread = len(

本文章已经生成可运行项目