中国科学技术信息研究所--国家工程技术数字图书馆

[学位论文] 崔若飞西安电子科技大学 2019年硕士导师: 易运晖共80页

摘要 : 微信、抖音等社交网络平台依托于互联网的发展呈现出迅猛的发展趋势。社交网络中每个人都可以即时与他人分享自己的想法与观点，它既丰富了人们的业余生活，又促进了人与人之间的信息交流，社交网络正发挥着前所未有的作用。影响力最大化作为社交网络... 展开微信、抖音等社交网络平台依托于互联网的发展呈现出迅猛的发展趋势。社交网络中每个人都可以即时与他人分享自己的想法与观点，它既丰富了人们的业余生活，又促进了人与人之间的信息交流，社交网络正发挥着前所未有的作用。影响力最大化作为社交网络分析的重要问题之一，意在寻找社交网络中的高影响力用户。识别这些高影响力的用户，可为企业与商家在产品营销等方面提供决策辅助，具有十分重要的现实意义。现有的度量用户影响力的方法一般依托于网络的拓扑结构或者通过定义信息传播模型，统计用户在模型下的信息传播范围，其大多基于静态网络。然而，真实社交网络往往随时间而动态变化，从而导致现有的度量方法难以准确描述用户真实的影响力。考虑到真实社交网络随时间演变的动态性，本文将现有影响力最大化理论应用到动态网络，研究动态社交网络中信息的传播机制及节点影响力的计算方法。之后根据动态独立级联模型推导出近似计算节点影响力的一般公式，并基于此提出一个快速计算节点影响力的算法(Fast Iteration Algorithm)。四个真实动态数据集下的实验结果表明：该算法所求种子集合的影响力相比ForwardInfluence、WeightedDegree和Degree算法均有不同程度的提高，且该算法的时间复杂度较低。除此之外，在某些场合如谣言控制或疾病传播中，我们希望通过识别网络中的高影响力用户，使其免受误导或传染，从而阻止谣言或病毒的扩散。针对该问题，本文从网络渗流角度出发，考虑节点失效或故障时引起的网络连通性变化，从而将影响力最大化中高影响力个体的集合选择问题映射为网络出现渗流转变时的最佳渗流问题。之后基于网络渗流过程以网络鲁棒性为指标提出一个影响力最大化算法，并根据网络渗流时最大连通集团规模的单调性对所提算法作了效率优化。讨论算法参数对网络鲁棒性结果的影响，统计出参数的合理取值范围。八个真实数据集下的实验结果表明：相较于度中心性、介数中心性及PageRank，基于渗流方式的影响力最大化算法能够给出网络的最小渗流阈值及其所需移除的节点集。收起

关键词 : 社交网络最大化算法影响力最大化动态网络

2. 基于自发反驳行为的影响力阻断最大化算法研究

[学位论文] 王东标山东大学 2023年硕士导师: 于东晓共85页

摘要 : 在线社交网络已经成为人们沟通交流，获取新闻的一个重要平台，其中的一个原因在于社交网络能够促进信息的快速传播。然而，这也为负面信息和虚假信息的快速传播提供了条件。由于在社交网络平台中存在关注和推荐机制，导致用户可能因为无意或特殊的动... 展开在线社交网络已经成为人们沟通交流，获取新闻的一个重要平台，其中的一个原因在于社交网络能够促进信息的快速传播。然而，这也为负面信息和虚假信息的快速传播提供了条件。由于在社交网络平台中存在关注和推荐机制，导致用户可能因为无意或特殊的动机在社交网络中传播负面信息。负面信息已经成为社交网络中的一个重大威胁,如何最大程度的削弱负面信息的传播对于维护社交网络的文明健康和社会的和谐稳定有着重要意义。通过在社交网络中选取一些种子用户传播正面信息与负面信息进行竞争从而阻断负面信息的传播已经受到研究人员的广泛关注。然而在真实的社交网络中存在一些用户，当这些用户看到负面信息之后会根据自身的专业知识对负面信息进行反驳并向其他用户传播反驳信息，本文称这种现象为用户的自发反驳行为。关于用户的自发反驳行为对于削弱负面信息影响的作用，以及如何在考虑用户自发反驳行为的情况下选择传播正面信息的种子用户的问题尚未引起关注。本文主要研究了在考虑社交网络中用户存在自发反驳行为的情况下如何选取传播正面信息的种子用户从而最大程度的削弱负面信息影响的问题。本文首先提出两个考虑用户反驳行为的竞争性独立级联模型并定义了正面影响力扩展度最大化问题，最终基于反向影响力采样设计了满足1-1/e-ε近似的随机算法。具体来说，第一，本文提出了两个考虑用户反驳行为的竞争性独立级联模型，并考虑到信息在社交网络中传播的延迟性和异步性，针对每个模型进一步提出了离散时间模型和连续时间模型。第二，本文提出集合的正面影响力扩展度来衡量给定集合削弱负面信息影响的能力，并定义正面影响力扩展度最大化问题为寻找能够最大化正面影响力扩展度的最优种子集合。本文证明了该问题在本文提出的模型中具有NP-难复杂度。第三，针对本文提出的各个模型，证明了正面影响力扩展度函数均满足单调次模性，然后基于反向影响力采样的思想提出了满足1-1/e-ε近似的随机算法并证明了算法的正确性和时间复杂度。第四，在实验部分对本文提出的随机算法在各个模型中的有效性和高效性进行验证。在六个数据集上的实验表明，与基准算法相比，本文提出的基于反向影响力采样的随机算法的输出解能够有效的减少被负面信息影响的节点个数，并且算法的运行效率也优于基于蒙特卡洛模拟的贪心算法。收起

关键词 : 反驳行为反向影响力近似算法最大化算法

3. 拟阵约束次模与非次模最大化问题的近似算法研究

[学位论文] 孙鑫北京工业大学 2022年博士导师: 徐大川共106页

摘要 : 对于集合函数，其次模性等价于经济学概念边际收益递减规律.边际收益递减规律，亦称边际产量递减规律，指在短期生产过程中，在其他条件不变(如技术水平不变)的前提下，增加某种生产要素的投入，当该生产要素投入数量增加到一定程度以后，增加一单位该... 展开对于集合函数，其次模性等价于经济学概念边际收益递减规律.边际收益递减规律，亦称边际产量递减规律，指在短期生产过程中，在其他条件不变(如技术水平不变)的前提下，增加某种生产要素的投入，当该生产要素投入数量增加到一定程度以后，增加一单位该要素所带来的效益增加量是递减的.由于集合函数的次模性(边际收益递减性)可以深刻揭示问题深层次的组合结构，因此次模优化问题从理论和实践的角度都具有重要的研究价值.在理论上，许多经典组合优化问题可以被视为次模函数的最小或最大化问题，次模优化问题为组合优化中的许多著名的经典问题提供了一个统一的研究框架，例如设施选址，广义分配，最大割，最大有向割，最大k覆盖，以及最大二等分等.在现实生活中，在工业工程，计算机科学，金融学，经济学，运筹学，机器学习等诸多领域中同样可以找到次模问题及其变形问题的各种应用场景，例如，社会福利，传感器放置，影响力最大化，机器学习中的数据隐私保护和数据子集选择.本论文重点研究带拟阵约束的次模最大化问题以及相关变形问题，研究工作包括:带拟阵约束的单调次模最大化问题的确定性算法研究，带下封闭子集族约束的非单调次模加模最大化问题的近似算法研究，带下封闭子集族约束的非单调次模最大化问题在数据隐私保护场景下的算法研究，以及带拟阵约束的单调非次模最大化问题的自适应算法研究.由于次模最大化问题及其变形为NP困难问题，因此对于上述问题，本论文设计近似算法并给出严谨且完整的近似比分析过程.本论文的技术路线以贪婪算法为主，阈值方法为辅，并借助多线性扩张，洛瓦兹扩张，收缩拟阵等概念及其重要性质帮助完成算法分析.具体地，本论文的主要工作成果如下: 第2章是关于带拟阵约束单调次模最大化问题的确定性算法研究.拟阵约束是次模最大化问题的常见约束，它是一种有用的组合结构，它将线性代数中的线性独立性概念推广到集合论.拟阵可以看作是由基础集和独立系统构成的二元组，独立系统是基础集子集族中元素构成的集合，满足下封闭性和可扩充性.拟阵的重要性在于它为线性代数和图论的相关关系给出了简洁统一的抽象处理，这使得拟阵理论可以被成功且广泛的应用在组合优化和网络优化中.本论文借助收缩拟阵的性质设计确定性贪婪算法得到该问题带参近似比1+hc(y)+△·[3+c-(2+c)y-(1+c)hc(y)]/2+c+(1+c)(1-y),其中，曲率c∈[0，1]，超参数y∈[0，1]，函数hc(y)全(△=)1-(1-y)1+c/1+c.该结果推广了相关问题最好的确定性近似算法结果. 第3章是关于带下封闭子集族约束的非单调次模加模问题的近似算法研究.本论文基于贪婪算法的思想设计了自适应权重的测量连续贪婪算法.算法首次给出次模项为1/e，模项为β-e/e(β-1)的近似算法以及算法分析，其中β∈[0，∞]为参数，刻画了关于模函数最优解中函数值非负部分和负部分的比值.并且，关于原问题本论文还给出了不可近似结果，即不存在近似比优于0.478的多项式时间算法.此外，上述算法同样适用于次模函数单调的情况.在此情况下，算法近似比为1-1/e，达到问题近似比上界. 第4章是关于带下封闭子集族约束的非单调隐私次模最大化问题的近似算法研究.本论文结合差分隐私和指数机制的技巧为原问题设计了O(∈)-隐私算法.对于上述问题的松弛问题，本论文得到隐私误差为O(2△/εn4)的(Te-T-O(1))-近似算法，其中T∈[0，1]是算法的停止时间，△是关联到敏感数据集的集合函数敏感度.对于特定的拟阵约束，本论文通过无损舍入技术获得具有相同近似比的离散解.此外，上述近似算法也可以应用于次模函数单调的情况.此时，近似保证为(1-e-T-O(1)). 第5章是关于带拟阵约束的单调非次模最大化问题的自适应算法研究.关于该问题，本论文给出自适应复杂度为次线性结果的近似算法.算法的自适应复杂度为O (log n log(r))，其中n是给定基础集的元素个数，r是问题约束拟阵的秩.算法以高概率输出近似比为1-e-γ2-O(e))的多线性松驰分数解，然后使用CR舍入方法以γ(1-1/e)的近似比损失代价得到问题整数解. 收起

关键词 : 次模最大化问题非次模最大化问题拟阵约束近似算法

4. 基于网络嵌入的影响力最大化算法研究

[学位论文] 王正海兰州大学 2019年硕士导师: 张瑞生共83页

摘要 : 影响力最大化问题就是一种专门针对社会网络的研究而提出的问题，所谓的影响力最大化问题，就是要找出网络中的k个影响力节点集作为种子节点集，使得其产生的影响力传播范围最大。影响力最大化问题研究中所使用的数据都是网络数据，众所周知网络... 展开影响力最大化问题就是一种专门针对社会网络的研究而提出的问题，所谓的影响力最大化问题，就是要找出网络中的k个影响力节点集作为种子节点集，使得其产生的影响力传播范围最大。影响力最大化问题研究中所使用的数据都是网络数据，众所周知网络数据通常都是非常复杂的，处理这样的数据很有挑战性。想要高效的处理网络数据，第一个关键的问题就是找到科学的网络数据表示，而网络嵌入学习算法正是一种高效的处理网络数据表示问题的算法。本文对网络嵌入算法进行深入研究，提出了一种改进的DeepWalk算法——C-DeepWalk算法。首先，我们提出了一种新的采样方法，利用这种新的采样方法产生节点序列；然后将所生成的节点序列输入到Skip-Gram模型中进行学习，得到节点的向量表示；最后利用链路预测任务，在多个真实数据集上进行实验，将本文中所提出的C-DeepWalk算法与已有的网络嵌入算法进行对比。链路预测的实验结果表明，C-DeepWalk算法的学习性能要优于现有的网络嵌入算法。同时，本文通过对传统启发式影响力最大化算法的研究，将网络嵌入算法引入影响力最大化问题的研究中，提出了一种新的影响力最大化算法NEIM算法。首先，把C-DeepWalk算法与聚类算法相结合，利用聚类的方法识别出k个聚类中心；然后，借助KD树算法找到与每一个聚类中心距离最近的前m个节点，将这些节点作为候选种子节点集；最后，利用贪婪策略在候选种子节点集中识别出k个影响力种子节点。我们从算法准确度和运算效率两方面出发，对本文提出的NEIM算法在不同数据集、不同传播率下进行了大量实验。实验结果说明，本文提出的NEIM算法运算效率相比于贪心算法有明显提升，同时在精度上与贪心算法非常接近。收起

关键词 : 网络嵌入算法影响力最大化聚类算法 DeepWalk算法

5. 社会网中三种类型种集发现算法研究

[学位论文] 李智慧黑龙江大学 2016年硕士导师: 李建中共79页

摘要 : 在对社会网的研究中，影响传播问题的研究占有重要地位，一直是人们研究的重点问题。然而现有的大部分研究忽略了一个重要的事实，即地理位置信息对于社会网的影响传播问题是至关重要的，许多像位置敏感的口碑营销一类的真实应用都有地理位置的需求。... 展开在对社会网的研究中，影响传播问题的研究占有重要地位，一直是人们研究的重点问题。然而现有的大部分研究忽略了一个重要的事实，即地理位置信息对于社会网的影响传播问题是至关重要的，许多像位置敏感的口碑营销一类的真实应用都有地理位置的需求。为此，本文将地理位置因素引入到社会网中，分别研究了最小种集选取问题、利润最大化种集选取问题和影响事件组织者选取问题。本文的主要研究成果有: 1.在传统的最小种集选取问题中引入地理位置因素，提出了位置敏感的社交网中最小种集选取算法问题。对该问题进行了深入研究，发现该问题是NP-hard问题，并提出一种朴素的贪心算法MS-Greedy。MS-Greedy虽具有近似保证，但其计算量太大。为满足在线查询的需求，我们又提出了另外两种高效的算法Bound-based和Partition-Assembly-based。在大量真实数据上进行实验，实验结果表明:本文算法能够有效地解决位置敏感的J-MIN-Seed问题。 2.在传统的利润最大化问题中引入地理位置因素，提出了位置敏感的社交网中利润最大化种集选取算法问题。在经典的IC模型中，融入价值和售价因素，提出了新的IC-Ⅴ模型，并证明在该模型下研究的问题是NP-hard问题。提出一种贪心算法Greedy，并在Greedy算法中融入三种制定售价的策略，提出求解位置敏感的社交网中利润最大化种集选取问题的三种算法。最后，在大量真实的数据上进行实验，验证三种算法的效率。 3.在传统的影响事件组织者选取问题中引入地理位置因素，提出了位置敏感的社交网中影响事件组织者选取算法问题。首先举例说明该问题的重要性，形式化该问题，并证明其是NP-hard问题。其次，参考前人的工作，将已有的两种贪心算法用于求解该问题，由于贪心算法可能遗漏结果，我们提出了两种近似算法。最后，在大量真实数据上进行实验，对这四种算法进行比较，证明我们算法的有效性和高效性。收起

关键词 : 社会网利润最大化影响最大化件组织种集发现算法位置敏感

6. 向量型迭代的Δ2方法和ε算法在EM算法加速中的应用

[学位论文] 邱新玲中国科学院大学 2020年硕士导师: 何益共61页

摘要 : 期望最大化(EM)算法是一种在缺失数据问题中获得最大似然估计的方法。由于其简单性、灵活性和稳定性（似然性单调增加），EM算法得到工业界和学术界的广泛关注、研究和应用。但是，在许多应用中，EM算法收敛非常缓慢，因此很多学者提出了各种用于加速... 展开

关键词 : 期望最大化 △2方法 &epsilon 算法收敛加速

7. 极大信息增益 Relief 算法研究及其在电信数据特征选择中的应用

[学位论文] 张茜吉林大学 2020年硕士导师: 贾继伟共46页

摘要 : 随着当今信息社会的不断发展以及大数据时代的到来,人工智能(AI,Artificial Intelligence)的兴起正在大幅度改变我们的认知和生活,人工智能发展的背后,是对复杂的数据挖掘技术和机器学习算法的深入研究.在机器学习的实际应用中,数据的特征数量过多往往... 展开随着当今信息社会的不断发展以及大数据时代的到来,人工智能(AI,Artificial Intelligence)的兴起正在大幅度改变我们的认知和生活,人工智能发展的背后,是对复杂的数据挖掘技术和机器学习算法的深入研究.在机器学习的实际应用中,数据的特征数量过多往往会引起“维度灾难”,使得数据分析效率降低,模型训练时间过长,模型结构过于复杂,泛化能力随之下降.特征选择能去除一些不相关(irrelevant)或冗余(redundant)的特征,提高计算效率,减少运行时间.除此之外,减少无关特征有助于理解数据,选取出真正与问题相关性高的特征有利于简化模型. 经典Relief算法是一种常用的过滤式特征选择方法,它通过计算各特征和分类的相关性给予特征以权值,在进行特征选择时权值小于某个阈值的特征将被去除.经典Relief算法一般以随机样本中各特征区分其附近样本类别的能力为基础,来计算特征和类别之间的相关性.经典Relief算法的运行时间随着样本的随机抽样次数N和初始特征个数M的增加而增加,计算效率较高.Relief系列算法包括最早提出的经典Relief算法以及后来拓展来的Relief-F和RRelief-F算法,其中经典Relief算法针对的是二分类问题,Relief-F算法可以解决多分类问题,RRelief-F算法更多解决的是目标属性为连续值的回归问题.极大熵Relief特征加权(maximum entropy relief feature weighting)算法,简称ME-Relief算法,它结合了最大间距和极大熵原理,具有更高的适应性和鲁棒性.对于数据集逐步增大的问题,ME-Relief算法已经扩展到在线版本,因而能够处理多分类数据和在线数据. 本文提出了极大信息增益Relief算法,即MIG-Relief算法.该算法首先根据信息增益和间距最大化构造了新的目标函数,在目标函数中提出了具有更好光滑性的模糊差异度度量函数,减少了参数对优化目标函数的影响,从而提高了算法对数据的适应性;除此之外,本文对MIG-Relief算法的数学形式和应用方面也进行了更细致的研究. 收起

关键词 : Relief算法信息增益间距最大化特征选择

8. 基于社团结构的影响最大化算法研究

[学位论文] 陈厚兵南京大学 2016年硕士导师: 王崇骏共72页

摘要 : 信息传播是社会网络分析的一个重要分支，它与每个人的生活息息相关。人们向自己的朋友推荐自己购买的好产品，向他们传播先进思想，这些都是信息传播中“口碑效应”的一种展现。影响最大化问题是信息传播中的一个重要问题，它研究的是在给定种子数量... 展开信息传播是社会网络分析的一个重要分支，它与每个人的生活息息相关。人们向自己的朋友推荐自己购买的好产品，向他们传播先进思想，这些都是信息传播中“口碑效应”的一种展现。影响最大化问题是信息传播中的一个重要问题，它研究的是在给定种子数量的情况下，如何寻找初始的种子节点，使得在指定的影响力模型下，这些种子节点所能够影响覆盖范围最大化。种子节点选取问题已经被证明是NP-Hard，现有的贪心算法运行效率都比较慢，不能扩展到大规模的社会网络当中去。很多影响最大化算法没有考虑到网络的社团信息，而社团内部的节点联系远远比社团外部联系紧密。本文在独立级联模型下，提出了新的节点激活策略，并在非重叠和重叠社团结构上验证新激活策略的有效性。并且在内部激活策略的基础上，提出了基于社团结构的影响最大化算法，本算法的效果接近贪心算法，而且极大提高了时间效率，能够解决大规模网络的影响最大化任务。本文的工作主要在如下四个方面: 1.针对种子选取阶段的节点激活策略问题，提出了新的激活策略:内部激活策略以及概率激活策略。 2.针对重叠社团发现问题，改进了使用标签传播的重叠社团发现算法。本文中重新定义了节点之间的关系强弱，并定义了节点与社团的亲密程度。 3.针对影响最大化问题未考虑社团结构问题，提出了基于社团结构的影响最大化算法。本算法分为两个主要步骤，第一步是进行社团发现。第二步是在社团的基础上，计算每个社团的影响范围。 4.针对以往影响最大化问题未考虑传播时间的限制，引入了传播时间受限下的影响最大化问题。给出了传播时间受限下利用子模性加速后的贪心算法，并将该算法与本文提出的基于社团结构的算法进行对比。收起

关键词 : 信息传播影响最大化算法重叠社团发现算法社团结构

9. PET图像重建算法的研究与优化

[学位论文] 廖文熙浙江大学 2010年硕士导师: 袁昕共52页

摘要 : 计算机科学技术的快速发展使得计算机应用渗透到生活工作的各个方面。在临床医学中，计算机辅助应用也越来越普遍。正电子发射断层成像(PositronEmission Tomography，PET)是一种重要的临床辅助诊断技术，它在临床中得到越来越广泛的应用。其主要原理... 展开计算机科学技术的快速发展使得计算机应用渗透到生活工作的各个方面。在临床医学中，计算机辅助应用也越来越普遍。正电子发射断层成像(PositronEmission Tomography，PET)是一种重要的临床辅助诊断技术，它在临床中得到越来越广泛的应用。其主要原理是：将一定剂量的放射性同位素药剂注入患者体内，这些具有放射性的粒子在衰变过程释放出正电子，正电子遇到负电子发生湮灭，产生两个反向运动的光子。PET仪器检测得到人体空间区域内发射的光子值，然后根据测得的数据重建出原先人体内部特定器官的灰度图像，通过图像可以表明该器官的新陈代谢的兴旺程度，从而可以辨明该器官是否有病变甚或癌变。 PET成像的关键是图像的三维重建过程。PET图像重建算法大致可分为解析法和迭代法两类。解析法又以滤波反投影算法为代表。而统计迭代算法以Shepp和 Vardi在1982年提出的基于最大似然期的期望值最大化算法(MaximumLikelihood Expectation Maximization，MLEM)最为经典。MLEM算法是基于像素的迭代算法，每个体素的像素值被看作是待估计参数，通过不断迭代更新，使似然函数逼近最大，由此得到极大似然参数估计值。这样的思想为后续的各种改进算法所采用，并在此基础上发展起来的OSEM，MOSEM等算法。经典 MLEM算法计算量大，重建速度很慢，很难直接应用到实际工程中。因此，本文在重点研究传统的 MLEM算法的基础上，通过仔细分析了其计算过程，对 MLEM算法的计算过程进行两次改进优化，大大缩短 MLEM算法进行PET重建整体迭代一次的时间。同时针对 MLEM算法收敛迭代慢的特点，在改进的MLEM算法的基础上，引进 OSEM算法，并用 FBP计算结果作为体素的初始化值，这样既减少一次迭代的计算时间，同时又减少整体的收敛迭代次数，从而加快图像重建的整个过程，大大减少完整 PET图像重建需要的时间。收起

关键词 : 正电子发射断层成像三维重建滤波反投影算法迭代算法最大似然期望最大化算法有序子集期望最大化算法

10. 社交集群影响范围最大化方法研究

[学位论文] 段修亮山东科技大学 2022年硕士导师: 孙承爱共94页

摘要 : 在研究社交集群影响范围最大化方法的过程中，算法存在难以兼顾信息传播效率和影响覆盖范围最大化的困扰。主要问题有如下两点:①种子集节点的聚集现象和传播过程中的重复激活现象严重地限制了用户影响力传播的效率和影响覆盖范围;②传播模型的束缚和... 展开在研究社交集群影响范围最大化方法的过程中，算法存在难以兼顾信息传播效率和影响覆盖范围最大化的困扰。主要问题有如下两点:①种子集节点的聚集现象和传播过程中的重复激活现象严重地限制了用户影响力传播的效率和影响覆盖范围;②传播模型的束缚和传播概率的限制使得传统的算法无法实现时间和空间上的突破，最终难以应用于大型复杂社交网络。针对上述问题，做了如下研究，以达到高效准确地挖掘出社交集群中最具影响力用户群体的目的。 (1)提出了基于多跳方法分析社交集群影响范围最大化的算法，解决了传播效率和影响覆盖范围无法兼顾的问题。首先，为了检测种子集中节点的聚集程度，提出了富俱乐部识别(Rich Club Detection，RCD)算法;同时，为了量化信息传播过程中的重复激活现象，提出了重复激活识别(Reacvalion Detetion，RD)算法。其次，这两种现象的存在会严重干扰信息的传播，为了屏蔽这两种现象，提出了多跳移除(Mmti Hop Ikmove，MHR)算法。最后，在Wiki、Gnutella等5个数据集上进行了对比实验，结果表明MHR算法使种子节点的信息传播范围扩大了28％～30％，信息扩散时间缩短了20％～23％。 (2)提出了基于图嵌入的社交集群影响范围最大化(Representation Leanling Influence Maximization，RLIM)算法，解决了算法难以应用于大型复杂社交网络上的问题。首先，基于游走策略提出了影响级联构建(Constructing Influence Cascade，CIC)算法，并将级联结果输入到基于多任务深度神经网络的图嵌入模型中，得到能够预测用户影响力的模型。其次，利用贪心策略将预测模型应用于社交集群影响范围最大化问题。最后，在F1ick、Digg等4个数据集上进行了对比实验，结果表明RLIM算法使得信息传播范围扩大了45％～50％，并且在百万级数据集上拥有稳定的表现。 (3)利用社交集群影响范围最大化算法开发了一个微博用户影响力评估系统。利用ULM技术对系统进行了需求建模分析:使用Python的Django框架对系统进行了设计;使用MysQL对数据进行存储管理;前端与数据库的后台联动使用的是Python语言;测试结果表明，广告商可以高效地找到影响力最大的商品代言人，微博用户可以评估自身的影响力。收起

关键词 : 社交集群影响范围最大化算法多跳分析图嵌入