基于线性阈值模型的动态社交网络影响最大化算法

针对随时间进化的动态社交网络展开影响最大化问题的研究,目标是基于线性阈值传播模型,挖掘影响力最大的k个种子用户,从种子用户发起传播,最大化影响传播范围。提出一种基于线性阈值模型的动态社交网络影响最大化算法(linear threshold dynamic influence maximization,LTDIM)。首先,给出动态社交网络影响最大化问题的形式化定义,提出利用活边路径获取初始种集的方法;然后,分析网络的各种拓扑变化,提出种集的增量式更新方法;最后,基于节点度和影响力增量提出DP(degree pruning)和IIP(influence increment pruning)剪枝策略进一步提高时间效率。实验使用4个真实的社交网络数据,考察在8个网络快照上算法的运行时间和影响传播范围。实验结果表明,本文算法的影响传播范围接近于静态启发式算法,运行时间大幅度减少,验证了算法的时间高效性和可扩展性。

组织内派系形成的网络动态分析

本文以行动者的模拟模型考察公司中的雇员形成派系的过程。基于互惠原则与资源交换理论,模型展示了互助行为使人与人之间产生连带,逐渐形成在内部相互支持的群体,这种群体进一步排除他人的参与,并最终在组织中形成了派系。在考察影响派系形成的因素时,本文选取了与工作环境相关的两个变量以及表达组织气氛的一个变量。曲线图展示了本文的实验结果:接近或超过个人极限资源量的工作量和越不平均的工作量分配状况越有可能提高派系形成的速度和数量,并可能导致派系的不断分裂;而太小的工作量与过于均等的工作分配可使个体交往倾向减弱而处于相对孤立状态。