隐形社群检测结合节点意识形态在多层网络影响力最大化中的研究

摘要

当前多层网络影响力最大化研究在识别隐形社群方面存在局限，因其依赖拓扑结构而忽视了现实因素，导致影响力节点识别不全.针对上述问题，基于网络嵌入和启发式排序算法，提出一种基于隐形社群检测的多层网络影响力最大化模型.首先，对节点内在意识形态采用语义分析得到属性信息，利用图增强技术获取网络全局信息，并设计层对比学习方法提升嵌入向量质量，提高隐形社群识别的准确性.其次，针对节点间意识形态差异，为社群内邻居节点设计不同奖励点数改进启发式算法；为社群间潜在节点设计影响力识别算法，全面地提升多层网络的影响力最大化效果.根据研究结果显示，本文模型在现实数据集上F1值分别提升了8.38%和7.64%,且算法传播效果提升了139.89,均优于现有的先进方法.

关键词

网络嵌入 / 图增强层对比学习 / 社群检测 / 影响力最大化 / 多层网络