导读:本文包含了影响力算法论文开题报告文献综述及选题提纲参考文献，主要关键词:科技期刊,品牌形象,智能算法,期刊品牌
影响力算法论文文献综述
陈卓,周琴[1]（2019）在《基于智能算法的科技期刊品牌影响力重塑》一文中研究指出2019年,5G时代加速到来,在人工智能已成为引领科技发展重要驱动力的环境中,以信息数据的匹配、聚合及精准分发为重要依托的智能算法技术,也带来了传播主体与受众之间关系的重大变革,处于数字化转型阶段的科技期刊迎来新的机会之窗。如何借助新的数字力量突破现阶段部分传统期刊数字转型中由于缺乏用户思维造成的品牌效力发挥低下的困境,成了科技期刊新阶段发展需要思考的问题。(本文来源于《青年》期刊2019年27期）
叶小艳,叶小莺,周化[2]（2019）在《基于影响力社区检测与蚁群算法的特征选择》一文中研究指出针对多变量特征选择算法计算效率低、冗余度高的问题,提出一种基于影响力社区检测与蚁群算法的特征选择算法。计算每对数据点之间的相似性,组成无向图,通过人工蚁群优化算法将网络划分为簇;使用社区检测算法对特征进行分类,选择冗余度最小的特征子集;蚁群初始化阶段通过度量特征与类的相关性,初始化信息素。基于人工合成数据集与标准的公开数据集进行实验,实验结果表明,该算法实现了较高的分类准确率、敏感性、特异性,其计算效率处于可接受范围内。(本文来源于《计算机工程与设计》期刊2019年09期）
高菊远,王志晓,芮晓彬,何婧,候梦男[3]（2019）在《基于节点覆盖范围的影响力最大化算法》一文中研究指出为解决传统影响力最大化算法时间复杂度高,选出节点过于集中,导致富人俱乐部现象(rich-club)的问题,提出一种基于节点覆盖范围的影响力最大化算法,将节点覆盖范围作为节点选取的中心性评价指标,有效避免选取种子节点时节点过于集中。为进一步减少运行时间,对该算法进行CELF优化。在各种规模网络上的实验结果表明,该算法能够有效选取最具影响力的节点。(本文来源于《计算机工程与设计》期刊2019年08期）
臧思思,李秀霞,孔月[4]（2019）在《基于改进PageRank算法的作者影响力评价研究》一文中研究指出[目的/意义]针对已有PageRank算法在作者评价中忽略时间因素的不足,提出一种评价作者学术影响力的新方法。[方法/过程]首先,应用PageRank算法的思想,计算学术社交网络中作者的PR值以区分作者贡献;其次,将作者论文被引时间的异质性融入PageRank算法,给出Time-PageRank(T-PR)算法;最后,以图书情报学领域的作者文献数据为例,进行实证分析。[结果/结论]通过与PageRank算法对比发现,T-PR算法不仅能够识别该领域的核心作者,而且对作者影响力排名的区分效果更好,评价结果更加客观、可靠。(本文来源于《情报理论与实践》期刊2019年11期）
任永功,杨柳,刘洋[5]（2019）在《基于热扩散影响力传播的社交网络个性化推荐算法》一文中研究指出有针对性地为用户提供推荐,提高互联网信息利用率是个性化推荐系统的主要目标.文中基于热扩散传播概率模型,结合用户在社交网络中隐含的跟随关系,提出基于热扩散影响力传播的社交网络个性化推荐算法.首先,算法将现实生活中人与人的朋友关系转化为购物网络中用户与用户的跟随关系,构建异构信息网络图,计算用户之间的复合相似度.然后,利用基于热扩散概率模型模拟社会网络中影响力的传播过程,计算社交网络中用户的跟随概率分数并精确排序,筛选与目标用户相似的邻近用户.最后,根据目标邻近用户对各个产品的评分,将评分较高、具有潜在兴趣的产品推荐给目标用户,实现个性化的用户推荐.在公开数据集上与现有的个性化推荐算法进行对比,实验表明,文中算法具有较好的精确度和多样化的推荐效果.(本文来源于《模式识别与人工智能》期刊2019年08期）
仇丽青,贾玮,范鑫[6]（2019）在《基于重迭社区的影响力最大化算法》一文中研究指出【目的】针对影响力最大化问题中贪心算法时间效率低的局限,提出基于重迭社区的影响力最大化算法。【方法】基于重迭社区,综合传播度最大的节点和重迭节点选出候选种子集,并采用CELF算法确定最优种子集,从而提高影响范围。【结果】实验数据表明,在亚马逊数据集上IM-BOC算法运行时间最大幅度能够提高约89%。【局限】仅凭社区节点的数量分配候选种子节点的数量,可能存在一定误差。【结论】基于重迭社区的IM-BOC算法在保证影响范围的前提下,适用于大型社交网络。(本文来源于《数据分析与知识发现》期刊2019年07期）
许朝,孟凡荣,袁冠,李月娥,刘肖[7]（2019）在《融合地点影响力的兴趣点推荐算法》一文中研究指出为解决兴趣点(POI)推荐不准确和效率低的问题,深入分析社交因素和地理位置因素的影响,提出了一种融合地点影响力的POI推荐算法。首先,为了解决签到数据稀疏的问题,将2-度好友引入协同过滤算法中构建了社交影响模型,通过计算经历和好友相似度获取2-度好友对用户的社交影响;其次,深入考虑地理位置因素对POI推荐影响,在对社交网络分析的基础上构造了地点影响力模型,通过PageRank算法发现用户影响力,结合POI被签到次数计算地点影响力,获取准确的整体位置偏好,并使用核密度估计方法对用户签到行为建模和获取个性化地理位置特征;最后,融合社交模型和地理位置模型提高推荐准确性,并通过构造POI推荐候选集来提高推荐效率。在Gowalla和Yelp签到数据集上实验,结果表明所提算法能够快速完成POI推荐,在准确率和召回率指标上明显优于融合时间因素的位置推荐(LRT)和融合地理社交因素的个性化位置推荐(iGSLR)算法。(本文来源于《计算机应用》期刊2019年11期）
王潇杰,赵城利,张雪,易东云[8]（2019）在《复杂网络影响力极大化快速评估算法》一文中研究指出分析复杂网络中影响力极大化问题,设计一种新的启发式算法框架。针对信息传递中节点的交互方式进行分析,给出节点在任意时刻处于信息接收态的概率。通过期望计算得到种子节点集传播影响力的近似估计,实现集群影响力快速计算,进而得到基于序列采样的影响力极大化快速评估算法。特别地,对于六个来自不同领域的真实网络上的影响力极大化问题进行了研究,仿真结果表明:该方法能够高效识别网络中具有重要传播影响力的节点集,在叁种常见度量准则下的表现均明显优于叁种影响力极大化问题基准算法。(本文来源于《国防科技大学学报》期刊2019年03期）
宋甲秀[9]（2019）在《复杂网络中影响力节点挖掘算法的研究》一文中研究指出21世纪是复杂性科学的世纪,以复杂网络最为典型。受益于移动互联网、物联网技术的快速发展,网络大数据应运而生且增势迅猛。目前,节点的影响力度量标准多样化,度量方法的研究也各不相同。因基于网络局部拓扑结构的方法有较低的计算复杂性,本文重点关注于此。考虑到当下这类方法的准确性并不乐观,本文在集体影响中心性的基础上,融合了节点的邻域的鲁棒性、度均衡性以及簇间连接强度等局部信息,针对网络传播和病毒控制两种任务分别提出了相应的影响力度量方法,良好地实现了方法准确性和时间复杂度的兼顾。之后,将关注重心从节点层面延伸至网络层面,对影响力节点组的挖掘进行研究。针对现有的启发式算法普遍精度偏低这一问题,本文基于所提的影响力度量方法,创新性提出高效的选点策略,并同样以任务为区分,设计出可调节的基于局部集体影响自适应的影响最大化算法。全文主要工作概述如下:(1)从病毒控制的角度提出了融合邻域鲁棒性、度均衡性和簇间连接强度的集体影响中心性方法NewCI。基于针对局部树状网络而提出的集体影响中心性,本文考虑了节点的局部邻域信息,对其进行修正,设计出NewCI,实现对节点影响力更为准确的度量以及方法普适性的进一步推广。在人工数据集和真实的复杂网络数据集中的实验结果表明,与各中心性方法相比,该方法与介数中心性方法展示出最佳的性能。综合考虑时间复杂度以及执行效率,NewCI方法均优于其他的中心性方法。(2)从网络传播角度提出基于邻域鲁棒性的集体影响中心性影响力度量方法NewCI~+。基于集体影响中心性,本文考虑了节点的邻域鲁棒性,对其进行修正,设计出在网络传播中更为适用的度量方法NewCI~+。并通过在真实复杂网络数据集中进行实验,表明了NewCI~+方法与接近度中心性方法表现最好。综合考虑时间复杂度以及执行效率,NewCI~+方法同样优于其他的中心性方法。(3)基于影响力度量方法NewCI~+,设计出可调节的局部领袖节点选取策略下的自适应集体影响最大化算法LNewCI~+-ARIM。考虑到CIM算法所利用的集体影响中心性对节点的影响力衡量不够准确、选点策略的效率较低,且存在一定程度的传播重迭现象等不足,本文将其进行改进,针对网络传播,提出了新的影响最大化算法LNewCI~+-ARIM。该算法在影响力节点度量中采用第叁章所提出的NewCI~+方法,同时在影响力节点的选择策略上,较CIM算法有所调整。多个真实数据集上的传播能力实验表明,LNewCI~+-ARIM算法在精度和时间复杂度上能够取得良好的平衡。(4)基于影响力度量方法NewCI,设计出可调节的局部领袖节点选取策略下的自适应集体影响最大化算法LNewCI-ARIM。通过替换CIM算法中的影响力度量方法为NewCI,调整选点策略与(3)相同,提出了针对病毒控制任务的影响最大化算法LNewCI-ARIM,并通过网络破坏性实验证明了该算法的有效性。(本文来源于《江南大学》期刊2019-06-01）
杨圣臣[10]（2019）在《基于社区发现的影响力最大化算法研究》一文中研究指出随着互联网迈入网络2.0时代,得益于社交网络的便利性,人们积极在社交平台上分享自己的日常活动,进而产生了大量数据。介于虚拟网络是真实世界的映射,所以分析社交网络对真实社会的影响有着长远而又实际的意义。目前,在影响力最大化算法中忽视了一种常见的社会现象:种子节点集合中具有重要影响力的节点可能会突然丢失,从而导致集合的影响力大打折扣。且现有的影响力最大化算法的求解过程存在大量重复的迭代操作,导致效率低下,运行时间长,已无法满足当今数据环境需求。另外,在现有的替补种子节点寻找算法中,诸多算法存在节点选择随机化、数据稀疏等诸多问题。针对以上问题,本文主要研究内容如下:(1)针对社交网络中社区影响力最大化算法效率低下的问题,本文提出基于社区划分的影响力最大化算法(Influence Maximization Algorithm Based on Community partition,IMBCP)。在IMBCP算法中,通过提出的IPS(base on Influence Probability and Similarity)算法来求解社交网络的社区机构,然后在社区结构中求解影响力最大化。IPS算法能够准确的评测一个节点对于不相邻节点的影响概率,填充用户之间的影响概率矩阵,减少数据稀疏所带来的影响。在计算社区对节点的影响力时,将不相邻节点的影响力也计算在内,通过多组实验,确认相邻节点和非相邻节点的影响权重占比,确保符合真实环境。多次实验表明,所提出的社区划分结果优于现有方法,社区划分结构更加合理,更加准确。在IPS算法的基础上,提出IMBCP算法,通过社交网络的拓扑结构,以及节点的局部影响力来代替全局影响力,在保证了算法精度的同时也提高了算法的效率。(2)针对社区影响力求解时,节点突然丢失的问题,本文在已有的替补节点的寻找方法上,引入可替换度概念,提出全预选式替补节点搜索算法(Full pre-selected search,FPSS)。针对无法激活的种子节点n,首先求出和n可替换度最高的前k个节点,并按照可替换度进行降序排序,形成替补节点队列。一旦节点n无法激活,可以从可替换列表中,根据替补节点寻找算法,抽取替补节点队列中的第一个节点加入种子节点集合。如果节点已加入种子节点集合,那么依序遍历替补队列,直到找到第一个暂未加入种子节点集合的可激活节点为止。实验证实和已存在的替补节点寻找算法相比较,本文提出的算法减少了后期种子节点的更新操作,提高了现有替补节点寻找算法的效率。(3)设计实现了集成IMBCP算法和FPSS算法的广告营销系统。对于影响力最大化算法和替补种子节点寻找算法在现实情况中的应用问题,本文进行了详细的需求分析,分析了广告营销领域中的业务需求和功能需求,从而设计与实现了该广告营销系统。该系统中不仅对提出的IMBCP算法和FPSS进行了集成,还以企业的角度设计了数据采集和数据导入等模块。通过该系统,一方面可以快速得到在社交网络中影响力最高的种子节点集合,最大化产品营销收益;同时也能在种子节点丢失时,快速找到替补种子节点,来减少营销收益的损失,具有一定的实用价值和应用意义。(本文来源于《江苏大学》期刊2019-05-01）
影响力算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对多变量特征选择算法计算效率低、冗余度高的问题,提出一种基于影响力社区检测与蚁群算法的特征选择算法。计算每对数据点之间的相似性,组成无向图,通过人工蚁群优化算法将网络划分为簇;使用社区检测算法对特征进行分类,选择冗余度最小的特征子集;蚁群初始化阶段通过度量特征与类的相关性,初始化信息素。基于人工合成数据集与标准的公开数据集进行实验,实验结果表明,该算法实现了较高的分类准确率、敏感性、特异性,其计算效率处于可接受范围内。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
影响力算法论文参考文献
[1].陈卓,周琴.基于智能算法的科技期刊品牌影响力重塑[J].青年.2019
[2].叶小艳,叶小莺,周化.基于影响力社区检测与蚁群算法的特征选择[J].计算机工程与设计.2019
[3].高菊远,王志晓,芮晓彬,何婧,候梦男.基于节点覆盖范围的影响力最大化算法[J].计算机工程与设计.2019
[4].臧思思,李秀霞,孔月.基于改进PageRank算法的作者影响力评价研究[J].情报理论与实践.2019
[5].任永功,杨柳,刘洋.基于热扩散影响力传播的社交网络个性化推荐算法[J].模式识别与人工智能.2019
[6].仇丽青,贾玮,范鑫.基于重迭社区的影响力最大化算法[J].数据分析与知识发现.2019
[7].许朝,孟凡荣,袁冠,李月娥,刘肖.融合地点影响力的兴趣点推荐算法[J].计算机应用.2019
[8].王潇杰,赵城利,张雪,易东云.复杂网络影响力极大化快速评估算法[J].国防科技大学学报.2019
[9].宋甲秀.复杂网络中影响力节点挖掘算法的研究[D].江南大学.2019
[10].杨圣臣.基于社区发现的影响力最大化算法研究[D].江苏大学.2019