Skip to content

w251510860/IndependentCascadeModel

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

2 Commits
 
 
 
 
 
 
 
 
 
 

Repository files navigation

社交网络-独立级联模型仿真

算法如下:

  • 初始的活跃节点集合 A。
  • 在 t 时刻,新近被激活的节点 u 对它的邻接节点 v 产生影响,成功的概率为 p(u,v )。若v有多个邻居节点都是新近被激活的节点,那么这些节点将以任意顺序尝试激活节点v。
  • 如果节点 v 被激活成功,那么在 t+1 时刻,节点 v 转为活跃状态,将对其邻接非活跃节点产生影响;否则,节点 v 在 t+1 时刻状态不发生变化。
  • 该过程不断进行重复,直到网络中不存在有影响力的活跃节点时,传播过程结束。

img.png

其中,边的方向代表“被关注”,边权重代表节点激活的概率,例如b→c 的权重为0.3,说明b节点有0.3的概率激活c节点。

此图的独立级联模型传播过程如下。

  • 第0时间步:a 节点被激活。
  • 第1 时间步:a 节点以0.5 的概率尝试激活b,以0.2 的概率尝试激活c。假设b节点在这一时间步内成功被激活。
  • 第2时间步:b节点以0.3的概率尝试激活c,并以0.5 的概率尝试激活d。假设c节点和d 节点在这一时间步内成功被激活。
  • 第3时间步:c节点以0.2的概率尝试激活e,d 节点以0.2的概率尝试激活e。假设这一时间步内的尝试都失败了,没有新的节点被激活,传播停止。

源链接(只有文章没有代码): https://zhuanlan.zhihu.com/p/164608949

gen_graph.py

用于生成图结构(实验品,为了方便理解,没有进行矩阵转换和压缩)

test.py

可执行文件,进行模拟

About

社交网络-独立级联模型仿真

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages