基于熵权TOPSIS的社会网络影响力最大化研究

来源 :计算机应用研究 | 被引量 : 0次 | 上传用户:weilai2010
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
在影响力最大化问题中,针对启发式方法精度不足和贪婪方法时间过载的问题,提出一种基于多属性决策方法的影响力最大化算法。首先,从社会网络节点的影响传播、节点之间的影响重叠和节点的信任度角度选取节点的重要性评价指标。然后,建立基于熵权TOPSIS的社会网络节点重要性评价模型,通过模型选择影响范围最广、与当前种子集的重叠最小且信任度最高的节点。最后,构建算法,并通过实验验证算法的性能。实验结果表明,与传统影响力最大化算法相比,所提算法在传播范围与时间效率上取得了较好的折中。
其他文献
卷积神经网络在隐写分析领域取得了一系列进展,但现有网络结构大多都是专用隐写分析,只针对某一类隐写算法有效。为了提高模型的泛化能力,提出了一种基于新残差网络的图像隐写分析算法。构建了残差分组融合网络结构(W-R2N),采用分组融合的方式来提高提取多尺度特征的能力,增大每层网络的感受野范围,并且增加每组卷积的对角相关性。相对于Xu-Net和SRNET在S-UNIWARD嵌入率为0.4 bpp情况下隐写