• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    大規(guī)模時(shí)序圖中種子節(jié)點(diǎn)挖掘算法研究

    2022-10-09 12:48:44鄒曉紅許成偉陳晶宋彪王明月
    通信學(xué)報(bào) 2022年9期
    關(guān)鍵詞:邊際效應(yīng)時(shí)序影響力

    鄒曉紅,許成偉,陳晶,宋彪,王明月

    (1.燕山大學(xué)信息科學(xué)與工程學(xué)院,河北 秦皇島 066004;2.河北省計(jì)算機(jī)虛擬技術(shù)與系統(tǒng)集成重點(diǎn)實(shí)驗(yàn)室,河北 秦皇島 066004)

    0 引言

    近些年,隨著信息技術(shù)的快速發(fā)展,在線社交媒體層出不窮,用戶通過社交媒體相互溝通,分享觀點(diǎn),并借助社交網(wǎng)絡(luò)完成信息的快速傳播,以此來影響更多的用戶,這種影響力的擴(kuò)散與傳播成為社交網(wǎng)絡(luò)研究領(lǐng)域熱點(diǎn)問題之一。Domingos 和Richardsom[1-2]首次提出有關(guān)社交網(wǎng)絡(luò)影響力最大化(IM,influence maximization)問題,IM 問題是指在網(wǎng)絡(luò)圖中選定k個(gè)種子節(jié)點(diǎn)作為信息源點(diǎn),使其在特定信息傳播模型下進(jìn)行信息傳播,目的是以最小的代價(jià)盡可能多地影響其他節(jié)點(diǎn),其研究成果廣泛應(yīng)用于市場營銷、水質(zhì)檢測等方面[3]。

    目前,大多數(shù)IM 問題是基于靜態(tài)圖網(wǎng)絡(luò)模型展開的,但針對具有動(dòng)態(tài)性特征的社交網(wǎng)絡(luò),不能簡單地將其表示為靜態(tài)圖網(wǎng)絡(luò)模型進(jìn)行處理,如生物信息網(wǎng)絡(luò)、通信網(wǎng)絡(luò)、道路交通網(wǎng)絡(luò)等網(wǎng)絡(luò)結(jié)構(gòu)[4-6],節(jié)點(diǎn)間只在某一時(shí)間或某段時(shí)間發(fā)生交互作用,存在一定的時(shí)間關(guān)系特性且具有明顯的交互順序,具有這種特征的網(wǎng)絡(luò)被稱為時(shí)序網(wǎng)絡(luò)[7-8],一般將其抽象為時(shí)序圖進(jìn)行表示。時(shí)序網(wǎng)絡(luò)模型涵蓋了節(jié)點(diǎn)間聯(lián)系的時(shí)間屬性信息,是對現(xiàn)實(shí)社交情況的真實(shí)反映,以其為對象進(jìn)行IM 問題的研究具有現(xiàn)實(shí)意義。

    現(xiàn)有基于時(shí)序網(wǎng)絡(luò)的影響力最大化算法較少,文獻(xiàn)[9]中所給出的IMIT(improved method for the influence maximization problem on temporal graph)算法需要采用數(shù)萬次蒙特卡羅模擬方法計(jì)算單一節(jié)點(diǎn)影響力,因此耗費(fèi)了大量的運(yùn)行時(shí)間,雖然最終所得種子節(jié)點(diǎn)集影響力較高,但算法時(shí)間效率過低而不能高效地完成大規(guī)模網(wǎng)絡(luò)中種子節(jié)點(diǎn)的挖掘。與文獻(xiàn)[9]相比,文獻(xiàn)[10]中所給出的種子節(jié)點(diǎn)挖掘算法在運(yùn)行時(shí)間上至少降低了一個(gè)數(shù)量級,但面對大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)時(shí),該算法無法保證種子節(jié)點(diǎn)的質(zhì)量,會(huì)出現(xiàn)種子節(jié)點(diǎn)集影響范圍損失較大的情況。算法時(shí)間效率是處理大規(guī)模數(shù)據(jù)首要考慮的問題,脫離算法精度只談時(shí)間效率也不符合實(shí)際,如何做到種子節(jié)點(diǎn)集影響范圍與算法時(shí)間效率之間的平衡,從而高效地完成大規(guī)模時(shí)序網(wǎng)絡(luò)中種子節(jié)點(diǎn)挖掘這一問題尚待解決。鑒于此,本文提出了一種將啟發(fā)式算法和貪心策略相融合的種子節(jié)點(diǎn)挖掘算法,該算法集中了啟發(fā)式算法速度快與貪心策略精度高這2 個(gè)優(yōu)勢,首先,結(jié)合時(shí)序圖中信息傳播的時(shí)序特性,對單一節(jié)點(diǎn)影響力進(jìn)行啟發(fā)式評估,從而篩選出一定數(shù)量有影響力的候選節(jié)點(diǎn);其次,基于貪心策略,通過計(jì)算候選節(jié)點(diǎn)的邊際效應(yīng),避免由于節(jié)點(diǎn)間影響范圍重疊導(dǎo)致種子節(jié)點(diǎn)集影響力損失較大的情況發(fā)生;最后,力求在時(shí)間效率和影響范圍2 個(gè)方面均取得良好效果。

    本文主要貢獻(xiàn)如下。

    1) 結(jié)合時(shí)序圖中節(jié)點(diǎn)間聯(lián)系次數(shù)這一因素,在傳統(tǒng)方法的基礎(chǔ)上,提出了一種新的時(shí)序圖節(jié)點(diǎn)間傳播概率計(jì)算方法,使之更加符合真實(shí)社交情況。

    2) 給出了一種基于時(shí)序圖的節(jié)點(diǎn)影響力評估方法,并根據(jù)節(jié)點(diǎn)影響力的評估結(jié)果,對節(jié)點(diǎn)進(jìn)行初步篩選,極大地縮小了節(jié)點(diǎn)邊際效應(yīng)的計(jì)算范圍,降低了算法時(shí)間復(fù)雜度。

    3) 在貪心式選取種子節(jié)點(diǎn)階段,進(jìn)一步優(yōu)化了候選種子節(jié)點(diǎn)邊際效應(yīng)的計(jì)算方法以及利用邊際效應(yīng)選取種子節(jié)點(diǎn)的策略。

    4) 在3 個(gè)真實(shí)的時(shí)序網(wǎng)絡(luò)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,所提CHG(combining heuristic algorithm and greedy strategy)算法在保證較高影響力的同時(shí),具有相對較低的時(shí)間消耗,具備一定的準(zhǔn)確性、高效性和可擴(kuò)展性。

    1 相關(guān)工作

    影響力最大化問題自提出以來,就受到國內(nèi)外學(xué)者的廣泛關(guān)注。Kempe 等[11]首先將影響力最大化定義為在特定信息傳播模型下挖掘影響力最大的k個(gè)節(jié)點(diǎn)的離散優(yōu)化問題,并證明其是一個(gè)NP 難問題,同時(shí)給出了經(jīng)典的貪心算法,可以達(dá)到近似63%的最優(yōu)解。針對貪心算法運(yùn)行時(shí)間過高的問題,Leskovec 等[12]利用邊際效應(yīng)子模函數(shù)的特性提出了CELF(cost-effective lazy forward selection)算法,實(shí)驗(yàn)結(jié)果顯示該算法比貪心算法的效率提高了近700 倍。Chen 等[13]針對傳統(tǒng)度估計(jì)重疊問題,提出了啟發(fā)式算法DegreeDiscount,實(shí)驗(yàn)結(jié)果表明該算法在時(shí)間效率上得到了有效的提高。之后,影響力最大化問題被進(jìn)一步研究,Bagheri 等[14]考慮社交網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的特點(diǎn),利用社區(qū)檢測算法對網(wǎng)絡(luò)進(jìn)行劃分,并根據(jù)社區(qū)的結(jié)構(gòu)確定每個(gè)社區(qū)的影響節(jié)點(diǎn)配額。王帥等[15]考慮到外界因素對網(wǎng)絡(luò)系統(tǒng)的影響,如網(wǎng)絡(luò)結(jié)構(gòu)損壞導(dǎo)致網(wǎng)絡(luò)連通性被破壞或信息傳播過程中受到干擾,從而定義了穩(wěn)健影響力最大化問題,其目的是尋找具有穩(wěn)健信息傳播能力的種子節(jié)點(diǎn)。Tong 等[16]考慮到信息傳播的時(shí)間代價(jià),在種子選擇的每個(gè)步驟均加入時(shí)間因素,通過在種子選擇的每個(gè)階段施加預(yù)算限制,在給定的時(shí)間范圍內(nèi)實(shí)現(xiàn)影響力最大化的目標(biāo)。

    以上IM 算法均是基于靜態(tài)圖模型提出的,基于動(dòng)態(tài)圖的IM 問題也受到眾多學(xué)者的廣泛討論。Yang 等[17]提出通過時(shí)間快照將動(dòng)態(tài)圖轉(zhuǎn)換成多個(gè)按時(shí)間片離散分布的靜態(tài)圖進(jìn)行處理,從而完成時(shí)態(tài)子圖(temporal subgraph)的挖掘。Sheng 等[18]針對現(xiàn)有基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)存在高維、低效率的局限性,通過網(wǎng)絡(luò)表征學(xué)習(xí)將網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)轉(zhuǎn)換為低維向量表示,然后在低維潛在空間中解決動(dòng)態(tài)影響力最大化問題。針對動(dòng)態(tài)圖中節(jié)點(diǎn)的添加或刪除操作,Wang 等[19]提出一種滑動(dòng)窗口模型,窗口隨著時(shí)間向下滑動(dòng)來探測節(jié)點(diǎn)的更新,以此完成實(shí)時(shí)的種子節(jié)點(diǎn)挑選,該算法主要用于解決動(dòng)態(tài)更新的網(wǎng)絡(luò)中種子節(jié)點(diǎn)的挖掘問題。吳安彪等[9]首次以時(shí)序圖為研究對象,從網(wǎng)絡(luò)全局角度出發(fā)對基于時(shí)序圖的影響力最大化問題展開研究,并給出了基于時(shí)序圖的影響力最大化算法IMIT,該算法首先利用蒙特卡羅模擬方法計(jì)算單個(gè)節(jié)點(diǎn)的影響力,然后選定影響力最大的節(jié)點(diǎn)為第一個(gè)種子節(jié)點(diǎn),最后通過計(jì)算網(wǎng)絡(luò)中剩余節(jié)點(diǎn)邊際效應(yīng),并利用邊際效應(yīng)計(jì)算過程中所具有的子模性,得到最終的種子節(jié)點(diǎn)集,實(shí)驗(yàn)結(jié)果顯示該算法所挖掘出的種子節(jié)點(diǎn)集具有極高的影響范圍,但是也付出了較高的時(shí)間代價(jià),不能高效地完成大規(guī)模網(wǎng)絡(luò)中種子節(jié)點(diǎn)的挖掘工作。在此基礎(chǔ)上,陳晶等[10]更注重算法的時(shí)間效率,給出了時(shí)序社交網(wǎng)絡(luò)兩階段影響力最大化(TIM,two-stage impact maximization)算法,該算法考慮時(shí)序圖中節(jié)點(diǎn)間聯(lián)系次數(shù)對節(jié)點(diǎn)重要性的影響,提出以節(jié)點(diǎn)的活躍程度來衡量節(jié)點(diǎn)影響力,并從節(jié)點(diǎn)間聯(lián)系次數(shù)最多的前100 個(gè)節(jié)點(diǎn)中確定最終的種子節(jié)點(diǎn)集,實(shí)驗(yàn)表明該算法在時(shí)間效率上具有一定優(yōu)勢,但面對大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)時(shí),精度略顯不足。

    2 基本概念

    2.1 時(shí)序圖

    定義1時(shí)序圖(temporal graph)[20-21]。給定網(wǎng)絡(luò)表示節(jié)點(diǎn)間具有時(shí)序關(guān)系的社交網(wǎng)絡(luò)有向時(shí)序圖[18]。其中,V表示節(jié)點(diǎn)的集合,E表示邊的集合,TE表示圖中所有節(jié)點(diǎn)之間存在聯(lián)系時(shí)刻的集合,T(u,v)表示節(jié)點(diǎn)u和v之間存在聯(lián)系時(shí)刻的集合,T(u,v)∈TE,u,v∈V。

    時(shí)序圖是表示在邊上帶有時(shí)間戳屬性的動(dòng)態(tài)有向圖,且節(jié)點(diǎn)間的邊會(huì)隨著邊上時(shí)間戳的到來而被激活,它表示兩節(jié)點(diǎn)在此刻存在聯(lián)系。圖1 為一個(gè)簡單的時(shí)序圖,其中邊上的數(shù)字表示時(shí)間戳。以節(jié)點(diǎn)A、B 為例,T(A,B)={1,3,5}表示節(jié)點(diǎn)A 分別在1,3,5 時(shí)刻與節(jié)點(diǎn)B 存在聯(lián)系并以傳播概率P(A,B)嘗試將其激活。

    圖1 時(shí)序圖

    時(shí)序圖與普通靜態(tài)圖相比,最大的不同是節(jié)點(diǎn)之間的聯(lián)系存在時(shí)間上的先后順序,即信息傳播具有時(shí)序性。例如,圖1 中節(jié)點(diǎn)A 與節(jié)點(diǎn)C 分別在7,9 時(shí)刻聯(lián)系,節(jié)點(diǎn)C 與節(jié)點(diǎn)E 已經(jīng)在更早的3,6時(shí)刻進(jìn)行聯(lián)系,在這種情況下,節(jié)點(diǎn)A 便不能把信息通過節(jié)點(diǎn)C 傳遞到節(jié)點(diǎn)E。

    2.2 節(jié)點(diǎn)間傳播概率及信息傳播模型

    社交網(wǎng)絡(luò)中節(jié)點(diǎn)間傳播概率與信息傳播模型是研究IM 問題最基本的2 個(gè)要素。

    2.2.1 時(shí)序圖節(jié)點(diǎn)間傳播概率

    定義2傳播概率?;钴S節(jié)點(diǎn)u通過有向邊E(u,v)成功激活其鄰居節(jié)點(diǎn)v的概率稱為節(jié)點(diǎn)間的傳播概率,表示為P(u,v)∈[0,1]。

    傳統(tǒng)計(jì)算節(jié)點(diǎn)間傳播概率有以下2 種方法。1) 隨機(jī)賦值方法,例如,設(shè)定概率集合P{0.01,0.03,0.05,0.1},從集合P中隨機(jī)選取概率值作為各節(jié)點(diǎn)間的傳播概率,此方法的弊端是所求取的傳播概率并不符合實(shí)際情況。2) 度估計(jì)方法,即用節(jié)點(diǎn)入度(In-Degree)的倒數(shù)來估計(jì)該節(jié)點(diǎn)被上一級節(jié)點(diǎn)激活的概率,如式(1)所示。

    時(shí)序圖中記錄了節(jié)點(diǎn)間的聯(lián)系次數(shù),節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)間聯(lián)系次數(shù)越多,激活概率越大,可見節(jié)點(diǎn)的所有入邊并非等值權(quán)重,故該方法并不適用于時(shí)序圖中節(jié)點(diǎn)間傳播概率的計(jì)算。除父節(jié)點(diǎn)對子節(jié)點(diǎn)的主動(dòng)激活次數(shù)外,子節(jié)點(diǎn)對父節(jié)點(diǎn)的反向作用也會(huì)影響兩節(jié)點(diǎn)間傳播概率的大小,例如,圖1 中節(jié)點(diǎn)B 與節(jié)點(diǎn)E 產(chǎn)生了交互,意味著兩節(jié)點(diǎn)的親密度進(jìn)一步增大,表現(xiàn)為子節(jié)點(diǎn)更易受父節(jié)點(diǎn)的影響,所以相比于節(jié)點(diǎn)C、D,節(jié)點(diǎn)B 對節(jié)點(diǎn)E 的激活概率更大,因此結(jié)合時(shí)序圖中節(jié)點(diǎn)間聯(lián)系的時(shí)序信息,對傳統(tǒng)度估計(jì)計(jì)算傳播概率的方法進(jìn)行改進(jìn),將節(jié)點(diǎn)間聯(lián)系次數(shù)設(shè)定為時(shí)序邊(u,v)的權(quán)重,則時(shí)序邊(u,v)占節(jié)點(diǎn)v所有入邊的比重為則節(jié)點(diǎn)v被節(jié)點(diǎn)u激活的概率可以通過式(2)進(jìn)行計(jì)算。

    其中,In(v)表示節(jié)點(diǎn)v的入度節(jié)點(diǎn)集,v′表示入度節(jié)點(diǎn),表示節(jié)點(diǎn)u,v間的聯(lián)系次數(shù)。

    2.2.2 基于時(shí)序圖的信息傳播模型

    定義3節(jié)點(diǎn)活躍起始時(shí)間。節(jié)點(diǎn)v被其活躍父節(jié)點(diǎn)u成功激活的時(shí)刻稱為節(jié)點(diǎn)的活躍起始時(shí)間,表示為Actv,Actv=min{t|(t∈T(u,v)&t≥Actu)。

    以圖1 為例,若節(jié)點(diǎn)A 為種子節(jié)點(diǎn)(設(shè)種子節(jié)點(diǎn)的活躍起始時(shí)間為0),且其成功激活節(jié)點(diǎn)C,則ActC=min{7,9}=7。

    定義4節(jié)點(diǎn)狀態(tài)(state)。節(jié)點(diǎn)狀態(tài)是指節(jié)點(diǎn)在網(wǎng)絡(luò)中對信息傳播所能做出的反應(yīng),分為活躍狀態(tài)(active)和非活躍狀態(tài)(inactive)。

    在初始網(wǎng)絡(luò)中,所有節(jié)點(diǎn)v的活躍起始時(shí)間均為Actv=-1,節(jié)點(diǎn)狀態(tài)為非活躍狀態(tài),當(dāng)選定種子節(jié)點(diǎn)集后,設(shè)置種子節(jié)點(diǎn)Actv=0,并將其狀態(tài)修改為活躍狀態(tài)。下面以種子節(jié)點(diǎn)u為例,具體描述信息傳播過程。

    1) 種子節(jié)點(diǎn)u以概率嘗試激活其鄰居節(jié)點(diǎn)vi,有且僅有一次激活機(jī)會(huì),若成功激活節(jié)點(diǎn)vi,則記錄vi的最早激活時(shí)間Activ,并修改節(jié)點(diǎn)狀態(tài)為活躍狀態(tài);若沒有激活節(jié)點(diǎn)vi,則繼續(xù)嘗試激活下一鄰居節(jié)點(diǎn)vi+1。

    2) 若種子節(jié)點(diǎn)的某一鄰居節(jié)點(diǎn)v被成功激活,則節(jié)點(diǎn)v會(huì)將信息繼續(xù)傳播下去。節(jié)點(diǎn)v在嘗試激活其鄰居節(jié)點(diǎn)wi時(shí),首先判斷節(jié)點(diǎn)wi是否處于非活躍狀態(tài),若是則繼續(xù)判斷Activ是否小于或等于maxT(v,wi),若滿足則以概率P(v,wi)嘗試激活其鄰居節(jié)點(diǎn)wi;否則跳過該節(jié)點(diǎn)嘗試激活下一鄰居節(jié)點(diǎn)wi1+。

    3) 信息在整個(gè)網(wǎng)絡(luò)中由最新的活躍節(jié)點(diǎn)向處于非活躍狀態(tài)的鄰居節(jié)點(diǎn)進(jìn)行傳播擴(kuò)散,直到整個(gè)網(wǎng)絡(luò)沒有新的節(jié)點(diǎn)被激活為止。

    3 算法設(shè)計(jì)

    CHG 算法將種子節(jié)點(diǎn)的挖掘分為節(jié)點(diǎn)影響力啟發(fā)式評估、構(gòu)建候選種子節(jié)點(diǎn)集以及種子節(jié)點(diǎn)貪心式選取這3 個(gè)步驟。

    3.1 節(jié)點(diǎn)影響力啟發(fā)式評估

    3.1.1 節(jié)點(diǎn)影響力評估方法的定義

    傳統(tǒng)啟發(fā)式度中心性算法是指用節(jié)點(diǎn)度的大小衡量節(jié)點(diǎn)的影響力,節(jié)點(diǎn)度越大,該節(jié)點(diǎn)潛在的影響力就越大,但由于時(shí)序圖中信息傳播存在時(shí)序性,單一參考節(jié)點(diǎn)度數(shù)尚不能準(zhǔn)確判定該節(jié)點(diǎn)在時(shí)序圖中作為種子節(jié)點(diǎn)信息傳播效果的好壞。例如,圖2 中節(jié)點(diǎn)a 在5 時(shí)刻分別將信息傳播至其后繼一階節(jié)點(diǎn)(b,c,d),但此時(shí)其后繼一階節(jié)點(diǎn)已在更早的時(shí)刻與其后繼節(jié)點(diǎn)完成了聯(lián)系,故此種情況下,節(jié)點(diǎn)a 的信息只能傳播至其后繼一階節(jié)點(diǎn),而無法影響到更高階節(jié)點(diǎn),這種節(jié)點(diǎn)在全局網(wǎng)絡(luò)中的影響力較小。

    圖2 時(shí)序圖中信息傳播的時(shí)序性

    時(shí)序圖中潛在影響力較大的節(jié)點(diǎn)除具有一定的社交廣度外,還要保證信息的可擴(kuò)散性,即信息可傳播至更高階節(jié)點(diǎn)?;谝陨? 個(gè)因素,給出定義5。

    定義5二階度(two-order degree)。時(shí)序圖中節(jié)點(diǎn)u在滿足信息傳播的時(shí)序關(guān)系下,在其后繼二階范圍內(nèi)能夠潛在影響到的最多節(jié)點(diǎn)數(shù),表示為

    其中,O(u) 表示節(jié)點(diǎn)u的后繼一階節(jié)點(diǎn)集,表示在滿足信息傳播時(shí)序性的條件下,即后繼一階節(jié)點(diǎn)的活躍起始時(shí)間早于其繼續(xù)嘗試激活二階節(jié)點(diǎn)的時(shí)間,節(jié)點(diǎn)在其后繼二階范圍內(nèi)能夠潛在成功激活的節(jié)點(diǎn)。

    二階度大的節(jié)點(diǎn)可以保證信息能夠由中心節(jié)點(diǎn)以更好的效果向外擴(kuò)散傳播,基于以上分析,本文為時(shí)序圖中節(jié)點(diǎn)影響力定義了一種啟發(fā)式計(jì)算方法,即以節(jié)點(diǎn)的二階度對其影響力大小進(jìn)行評估,表示為

    其中,Inf (u)表示節(jié)點(diǎn)u的影響力大小。

    3.1.2 二階度評估方法可靠性理論依據(jù)

    網(wǎng)絡(luò)中節(jié)點(diǎn)影響力的傳播是一個(gè)離散擴(kuò)散過程,其圍繞種子節(jié)點(diǎn)向周邊鄰居節(jié)點(diǎn)擴(kuò)散,并由鄰居節(jié)點(diǎn)繼續(xù)向下后繼一階節(jié)點(diǎn)傳播影響,子節(jié)點(diǎn)被激活的概率總是受到父節(jié)點(diǎn)激活概率的影響,鄰居節(jié)點(diǎn)的階數(shù)越大,節(jié)點(diǎn)被激活的概率越小。文獻(xiàn)[22]證明了節(jié)點(diǎn)u的第i階鄰居節(jié)點(diǎn)v被其成功激活的概率的計(jì)算滿足容斥定理。文獻(xiàn)[23]在此基礎(chǔ)上進(jìn)一步分析得出,在相對較小的傳播概率下,節(jié)點(diǎn)在網(wǎng)絡(luò)中的影響力隨著鄰居節(jié)點(diǎn)階數(shù)的增大而逐漸收斂,節(jié)點(diǎn)對其后繼三階鄰居節(jié)點(diǎn)的激活概率會(huì)降到較低水平,即使進(jìn)行數(shù)萬次的蒙特卡羅模擬,信息擴(kuò)散過程中三階及三階以外的節(jié)點(diǎn)被成功激活的次數(shù)也同樣較少[23]。同時(shí),這也符合Walkers等[24]提出的三度影響力原則,即信息傳播過程中存在內(nèi)部衰減,個(gè)人的影響力局限于三階鄰居節(jié)點(diǎn)之內(nèi),故本文根據(jù)節(jié)點(diǎn)在其后繼二階范圍內(nèi)所能激活的最多節(jié)點(diǎn)數(shù),即用節(jié)點(diǎn)的二階度來評估其影響力的方法是可靠的,本文方法的誤差率與時(shí)間效率通過4.3.3 節(jié)實(shí)驗(yàn)進(jìn)行了檢驗(yàn)。

    3.2 構(gòu)建候選種子節(jié)點(diǎn)集

    定義6邊際效應(yīng)φ。節(jié)點(diǎn)u的邊際效應(yīng)是指將其加入種子節(jié)點(diǎn)集S中,所能帶來的影響力增量φs(u)。

    其中,Inf(S)表示種子集S的影響力大小。

    由于節(jié)點(diǎn)與節(jié)點(diǎn)之間的影響范圍會(huì)產(chǎn)生重疊,種子節(jié)點(diǎn)集最終的影響范圍并非每個(gè)節(jié)點(diǎn)影響力的簡單相加,故影響力最大的前k個(gè)節(jié)點(diǎn)未必是最好的種子節(jié)點(diǎn)組合。針對節(jié)點(diǎn)間影響范圍重疊問題,最有效的解決方法是采用貪心算法思想,每次將當(dāng)前能夠產(chǎn)生最好影響效果的節(jié)點(diǎn)加入種子節(jié)點(diǎn)集中,直到找到k個(gè)種子節(jié)點(diǎn)為止,但此方法要求計(jì)算當(dāng)前網(wǎng)絡(luò)中所有節(jié)點(diǎn)的邊際效應(yīng),從而延長了算法的運(yùn)行時(shí)間。

    文獻(xiàn)[25]表明,大部分社交網(wǎng)絡(luò)都具有無標(biāo)度的特性,即大量節(jié)點(diǎn)擁有少量連接,少量節(jié)點(diǎn)擁有大量連接。網(wǎng)絡(luò)中影響力較小的節(jié)點(diǎn)對種子節(jié)點(diǎn)的選取不構(gòu)成影響,卻增加了算法的遍歷范圍與次數(shù),提升了算法的時(shí)間復(fù)雜度。因此,CHG 算法通過設(shè)置節(jié)點(diǎn)過濾因子r對時(shí)序圖節(jié)點(diǎn)進(jìn)行初步篩選,利用二階度評估方法對節(jié)點(diǎn)影響力進(jìn)行啟發(fā)式評估,選取影響力評估值較大的前rN個(gè)節(jié)點(diǎn)構(gòu)建候選種子節(jié)點(diǎn)集L,這樣可極大地縮小節(jié)點(diǎn)邊際效應(yīng)的計(jì)算范圍,進(jìn)一步提升算法效率,其中,|L|=rN,N表示網(wǎng)絡(luò)節(jié)點(diǎn)總數(shù),r的取值通過4.3.2 節(jié)相關(guān)實(shí)驗(yàn)獲取。

    3.3 種子節(jié)點(diǎn)貪心式選取

    此階段采用貪心算法思想,通過計(jì)算候選節(jié)點(diǎn)的邊際效應(yīng),解決節(jié)點(diǎn)間影響力重疊問題,以保證最終獲取最優(yōu)的種子節(jié)點(diǎn)組合。

    3.3.1 節(jié)點(diǎn)邊際效應(yīng)的計(jì)算

    計(jì)算一個(gè)節(jié)點(diǎn)邊際效應(yīng)的傳統(tǒng)方法是將該節(jié)點(diǎn)加入已有種子節(jié)點(diǎn)集中,然后計(jì)算新種子集的影響節(jié)點(diǎn)增量,此增量即該節(jié)點(diǎn)邊際效應(yīng)大小。由于每計(jì)算一個(gè)節(jié)點(diǎn)的邊際效應(yīng)都要進(jìn)行R次信息擴(kuò)散模擬實(shí)驗(yàn)才可得出最終結(jié)果,因此該方法具有極高的復(fù)雜度。針對此問題,本文采用以空間換時(shí)間的策略,給出了一種新的節(jié)點(diǎn)邊際效應(yīng)計(jì)算方法,將所有候選種子節(jié)點(diǎn)在時(shí)序圖上進(jìn)行信息模擬擴(kuò)散傳播,并讀取每個(gè)節(jié)點(diǎn)的影響范圍,例如,當(dāng)前種子集S的影響節(jié)點(diǎn)集為S1={a,b,c,d,e},節(jié)點(diǎn)u的影響節(jié)點(diǎn)集為U={a,b,f,h},則只需要計(jì)算差集U-S1={f,h},并統(tǒng)計(jì)差集中元素個(gè)數(shù)即可得出節(jié)點(diǎn)u的邊際效應(yīng),這樣便有效地將節(jié)點(diǎn)邊際效應(yīng)計(jì)算的時(shí)間復(fù)雜度降低到O(Rrn)+O(1),其中R表示共進(jìn)行R次節(jié)點(diǎn)影響范圍模擬實(shí)驗(yàn)。

    3.3.2 利用節(jié)點(diǎn)邊際效應(yīng)確定最優(yōu)種子集

    性質(zhì)1子模性。設(shè)集合S?T,任意元素x添加到集合S中獲得的函數(shù)收益大于或等于添加到集合T中所獲得的收益,即滿足收益遞減特性,表示為

    文獻(xiàn)[12]論證了各個(gè)節(jié)點(diǎn)的邊際效應(yīng)大小是滿足子模性的,即節(jié)點(diǎn)的邊際效應(yīng)會(huì)隨著種子節(jié)點(diǎn)的增多而遞減。IMIT 算法同樣利用了節(jié)點(diǎn)邊際效應(yīng)計(jì)算過程中所具有的子模性,其主要思想如下:1) 如果上一輪中邊際效應(yīng)第二大節(jié)點(diǎn)w 重新計(jì)算的邊際效應(yīng)大于上一輪中的邊際效應(yīng)第三大節(jié)點(diǎn)z,則不需要對其余的非種子節(jié)點(diǎn)重新計(jì)算邊際效應(yīng),直接將w 選為種子節(jié)點(diǎn)即可;2) 否則需要在剩余節(jié)點(diǎn)中找到第一個(gè)邊際效應(yīng)小于節(jié)點(diǎn)w 邊際效應(yīng)的節(jié)點(diǎn)y,然后重新計(jì)算從節(jié)點(diǎn)z到節(jié)點(diǎn)y 這段區(qū)間中所有節(jié)點(diǎn)的邊際效應(yīng)。

    本文針對IMIT 算法進(jìn)一步優(yōu)化,在算法中設(shè)置變量Max_Inf與Max_node以實(shí)時(shí)更新保存當(dāng)前邊際效應(yīng)的最大值及其節(jié)點(diǎn),在計(jì)算下一個(gè)節(jié)點(diǎn)之前,用當(dāng)前邊際效應(yīng)最大值Max_Inf 與其上輪該節(jié)點(diǎn)的邊際效應(yīng)進(jìn)行比較,這樣便可避免IMIT 算法對所截取的一段節(jié)點(diǎn)進(jìn)行邊際效應(yīng)的冗余計(jì)算問題,CHG算法貪心選取種子節(jié)點(diǎn)流程如表1 所示。其中,數(shù)值表示節(jié)點(diǎn)邊際效應(yīng)值,√表示選定為種子節(jié)點(diǎn)。

    表1 CHG 算法貪心選取種子節(jié)點(diǎn)流程

    首先,選定候選種子節(jié)點(diǎn)中影響力最大的節(jié)點(diǎn)a為第一個(gè)種子節(jié)點(diǎn)。其次,從節(jié)點(diǎn)b 開始進(jìn)行第2 輪節(jié)點(diǎn)邊際效應(yīng)計(jì)算,并將其寫入變量Max_Inf 和Max_node 中,在計(jì)算下一個(gè)節(jié)點(diǎn)c 之前,先用當(dāng)前邊際效應(yīng)的最大值Max_Inf與上一輪中節(jié)點(diǎn)c的邊際效應(yīng)進(jìn)行比較(30<60),判斷是否需要繼續(xù)計(jì)算節(jié)點(diǎn)c 的邊際效應(yīng),并對變量Max_Inf 與Max_node 進(jìn)行更新,同樣地,在計(jì)算下一個(gè)節(jié)點(diǎn)d 之前,將Max_Inf與上一輪中節(jié)點(diǎn)d 的邊際效應(yīng)進(jìn)行比較(50〉40),根據(jù)子模性可知,節(jié)點(diǎn)c 即此輪邊際效應(yīng)的最大節(jié)點(diǎn),直接將其選出即可。在IMIT 算法中至少要計(jì)算b,c,d,e 這4 個(gè)節(jié)點(diǎn)的邊際效應(yīng),而對其優(yōu)化后只需要計(jì)算b,c 這2 個(gè)節(jié)點(diǎn)。CHG 算法如下所示。

    步驟1)表示將種子節(jié)點(diǎn)集S與候選種子節(jié)點(diǎn)集L初始化為空集;步驟2)~步驟4)表示對時(shí)序圖中節(jié)點(diǎn)影響力進(jìn)行評估;步驟5)~步驟8)表示選取前rN個(gè)影響力較大的節(jié)點(diǎn)構(gòu)建候選種子節(jié)點(diǎn)集L;步驟9)~步驟10)表示對候選種子節(jié)點(diǎn)按影響力大小排序,并裝入隊(duì)列Q中。步驟11)~步驟22)表示貪心式計(jì)算節(jié)點(diǎn)邊際效應(yīng),并選取出最終的k個(gè)種子節(jié)點(diǎn),其中步驟16)~步驟18)表示利用子模性減少對非必要節(jié)點(diǎn)的計(jì)算,提前結(jié)束算法程序遍歷(偽代碼中s′表示上一輪種子節(jié)點(diǎn)集)。計(jì)算時(shí)序圖中所有節(jié)點(diǎn)二階度時(shí)間復(fù)雜度為O(n2),按節(jié)點(diǎn)影響力大小排序并構(gòu)建候選種子節(jié)點(diǎn)的時(shí)間復(fù)雜度為O(nlog(n)),在貪心選取種子節(jié)點(diǎn)階段,計(jì)算所有候選種子節(jié)點(diǎn)的影響范圍時(shí)間復(fù)雜度為O(Rrn),計(jì)算節(jié)點(diǎn)邊際效應(yīng)的時(shí)間復(fù)雜度為O(1),利用子模性性質(zhì)選取k個(gè)種子節(jié)點(diǎn)的時(shí)間復(fù)雜度為O(k),故CHG 算法的時(shí)間復(fù)雜度為O(n2)+O(nlog(n))+O(Rrn)+O(k),n=N。

    4 實(shí)驗(yàn)與分析

    4.1 實(shí)驗(yàn)設(shè)置

    4.1.1 實(shí)驗(yàn)環(huán)境

    操作系統(tǒng)為Windows 10,英特爾處理器 Core i5-6300HQ 四核,內(nèi)存為 8 GB,編程語言為Python3.0,編程環(huán)境為Pycharm。

    4.1.2 實(shí)驗(yàn)數(shù)據(jù)

    本節(jié)實(shí)驗(yàn)選取3 個(gè)不同規(guī)模的時(shí)序社交網(wǎng)絡(luò)數(shù)據(jù)集,具體參數(shù)如表2 所示。

    表2 實(shí)驗(yàn)數(shù)據(jù)集參數(shù)

    Digg 數(shù)據(jù)集[26]記錄了社交新聞網(wǎng)站Digg 某段時(shí)間內(nèi)用戶間相互評論的信息;Mathoverflow 數(shù)據(jù)集[27]是根據(jù)Mathoverflow 網(wǎng)站上的問答信息生成的社交網(wǎng)絡(luò);Superuser 數(shù)據(jù)集[27]是由堆棧交換網(wǎng)站Superuser 所生成的時(shí)序網(wǎng)絡(luò)圖。

    4.2 實(shí)驗(yàn)內(nèi)容

    本節(jié)實(shí)驗(yàn)從種子節(jié)點(diǎn)集的影響范圍與運(yùn)行時(shí)間2 個(gè)方面對算法進(jìn)行綜合評價(jià),除本文所提CHG 算法外,分別復(fù)現(xiàn)了以下5 種算法,作為實(shí)驗(yàn)對比算法。

    IMIT 算法[9]。該算法采用10 000 次蒙特卡羅模擬計(jì)算單個(gè)節(jié)點(diǎn)的影響力,并基于貪心思想利用節(jié)點(diǎn)邊際效應(yīng)完成種子節(jié)點(diǎn)的最終選取。

    TIM 算法[10]。該算法以節(jié)點(diǎn)間聯(lián)系次數(shù)評價(jià)節(jié)點(diǎn)影響力,并從評價(jià)值較大的前100 個(gè)節(jié)點(diǎn)中篩選出最終的種子節(jié)點(diǎn)集。

    Degree 算法。該算法是經(jīng)典度啟發(fā)式算法,將節(jié)點(diǎn)按照出度(Out-Degree)大小進(jìn)行排序,直接選取前k個(gè)節(jié)點(diǎn)作為種子節(jié)點(diǎn)。

    DegreeDiscount 算法[13]。該算法是啟發(fā)式算法的代表,選取度數(shù)最大的節(jié)點(diǎn)作為種子節(jié)點(diǎn),然后將所選節(jié)點(diǎn)鄰居的度數(shù)進(jìn)行折扣,直到選出k個(gè)節(jié)點(diǎn)。

    Random 算法。該算法是基準(zhǔn)比較算法,從時(shí)序圖中隨機(jī)選取k個(gè)非重復(fù)節(jié)點(diǎn)作為種子節(jié)點(diǎn),該算法隨機(jī)性較大,共對其做500 次實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果取平均值。

    4.3 實(shí)驗(yàn)結(jié)果及分析

    4.3.1 復(fù)雜網(wǎng)絡(luò)無標(biāo)度性的驗(yàn)證

    為了驗(yàn)證復(fù)雜網(wǎng)絡(luò)的無標(biāo)度特性,對3 個(gè)數(shù)據(jù)集中的節(jié)點(diǎn)度分布情況進(jìn)行了統(tǒng)計(jì),結(jié)果如圖3所示。

    圖3 數(shù)據(jù)集節(jié)點(diǎn)度分布情況

    圖3 中橫坐標(biāo)代表節(jié)點(diǎn)出度,縱坐標(biāo)代表該值所對應(yīng)節(jié)點(diǎn)的個(gè)數(shù)與總節(jié)點(diǎn)個(gè)數(shù)的比值,即出現(xiàn)頻率(Frequency),這里以對數(shù)形式表示。從圖3 中可以看出,3 個(gè)數(shù)據(jù)集中節(jié)點(diǎn)的度均服從冪律分布,說明具有較大影響力的節(jié)點(diǎn)分布較稀疏,大部分節(jié)點(diǎn)都擁有少量連接,影響力較小,這為CHG 算法構(gòu)建候選種子節(jié)點(diǎn)集的方法提供了有力依據(jù)。

    4.3.2 節(jié)點(diǎn)過濾因子r值的設(shè)定

    為了修剪網(wǎng)絡(luò)中大部分影響力較小的節(jié)點(diǎn),算法通過設(shè)定節(jié)點(diǎn)過濾因子r,依據(jù)3.1 節(jié)中獲得的節(jié)點(diǎn)影響力評估結(jié)果對其進(jìn)行過濾篩選,r值的大小將直接影響算法的精度,因此,本文通過實(shí)驗(yàn)檢驗(yàn)了不同r值對算法精度的影響,并確定了一個(gè)最合適的r值,從而使算法獲得更高的準(zhǔn)確性和更低的時(shí)間復(fù)雜度。由于時(shí)序信息傳播模型是以經(jīng)典獨(dú)立級聯(lián)模型為基礎(chǔ)修改得到的,依舊存在獨(dú)立級聯(lián)模型中節(jié)點(diǎn)激活過程不確定性的特點(diǎn)。為了讓實(shí)驗(yàn)更具說服力,在實(shí)驗(yàn)中,對節(jié)點(diǎn)間的傳播概率進(jìn)行相應(yīng)的調(diào)整,將由式(2)計(jì)算出的傳播概率P分別縮小50%、增大一倍,觀察在3 種不同的傳播概率下,不同r值時(shí)CHG 算法所得種子節(jié)點(diǎn)集的影響范圍,實(shí)驗(yàn)結(jié)果如圖4 所示。

    從圖4 中可以看到,當(dāng)r值為0.1~0.2 時(shí),種子節(jié)點(diǎn)集影響范圍隨著r值的增大而增大;當(dāng)r值為0.2~0.3 時(shí),種子節(jié)點(diǎn)集影響范圍略有上升,幅度較??;當(dāng)r值大于0.3 時(shí),種子節(jié)點(diǎn)集影響范圍趨于收斂。產(chǎn)生以上結(jié)果是因?yàn)殡S著r值的增大,越來越多影響力較高的節(jié)點(diǎn)進(jìn)入候選種子節(jié)點(diǎn)集,可供算法挑選的節(jié)點(diǎn)增多,故在一定范圍內(nèi),種子節(jié)點(diǎn)集的影響力不斷升高。隨著r值的增大,一些影響力相對較低的節(jié)點(diǎn)進(jìn)入了候選種子節(jié)點(diǎn)集,但其對最終種子節(jié)點(diǎn)的挑選不構(gòu)成影響,不會(huì)改變實(shí)驗(yàn)結(jié)果,所以最終種子節(jié)點(diǎn)集的影響力趨于平穩(wěn)。由此可見,r值過小,可能導(dǎo)致一些有影響力的節(jié)點(diǎn)被過濾掉,從而影響算法的精度;r值過大,則會(huì)出現(xiàn)過濾效果不明顯,造成候選種子節(jié)點(diǎn)集中存在冗余節(jié)點(diǎn)。當(dāng)r取值為0.2 時(shí),既有效控制了候選種子集的規(guī)模,又能保證最終種子節(jié)點(diǎn)集具有較高的影響力。

    圖4 不同r 值時(shí)算法CHG 所得種子節(jié)點(diǎn)集影響范圍

    4.3.3 節(jié)點(diǎn)影響力二階度評估方法性能實(shí)驗(yàn)

    為了驗(yàn)證節(jié)點(diǎn)影響力二階度評估方法的準(zhǔn)確性,本文實(shí)驗(yàn)采用10 000 次蒙特卡羅模擬方法計(jì)算節(jié)點(diǎn)的精確影響力,分析節(jié)點(diǎn)影響力二階度評估方法誤差率(ER,error rate),實(shí)驗(yàn)結(jié)果如圖5 所示。其中,橫坐標(biāo)表示采用2 種方法所得影響力排名靠前的x個(gè)節(jié)點(diǎn)(N表示節(jié)點(diǎn)總數(shù)),縱坐標(biāo)表示與蒙特卡羅模擬方法相比,二階度評估方法所得結(jié)果的誤差率,計(jì)算式為

    其中,集合A、B分別表示采用蒙特卡羅模擬方法與二階度評估方法所計(jì)算出的影響力排名靠前的x個(gè)節(jié)點(diǎn)的集合。由圖5 可知,隨著節(jié)點(diǎn)影響力計(jì)算范圍的增大,二階度評估方法的誤差率也逐漸下降,相比于更精確的蒙特卡羅模擬方法,其獲取影響力排名前0.20N個(gè)節(jié)點(diǎn)的計(jì)算誤差率降到了0.05 左右,由此可見,利用節(jié)點(diǎn)二階度評估節(jié)點(diǎn)影響力,并根據(jù)評估結(jié)果構(gòu)建候選種子節(jié)點(diǎn)集的方法具有較高準(zhǔn)確性。

    圖5 節(jié)點(diǎn)影響力二階度評估方法誤差率

    本節(jié)采用2 種方法計(jì)算網(wǎng)絡(luò)所有節(jié)點(diǎn)影響力的運(yùn)行時(shí)間,結(jié)果如圖6 所示。從圖6 可知,蒙特卡羅模擬方法時(shí)間復(fù)雜度較高,尤其處理較大規(guī)模網(wǎng)絡(luò)時(shí),運(yùn)行時(shí)間過長,在大規(guī)模數(shù)據(jù)集Superuser下,其運(yùn)行時(shí)間已超過140 s,相比之下,二階度評估方法具有更高的時(shí)間效率。

    圖6 運(yùn)行時(shí)間對比

    4.3.4 不同算法所得種子節(jié)點(diǎn)集影響力對比

    為了驗(yàn)證算法在影響范圍指標(biāo)上的效果,在特定時(shí)序信息傳播模型下,對本文所提CHG 算法以及復(fù)現(xiàn)的5 種對比算法進(jìn)行了種子節(jié)點(diǎn)集的影響力對比,種子節(jié)點(diǎn)的數(shù)量k分別設(shè)為10,20,30,40,50,最終實(shí)驗(yàn)結(jié)果如圖7~圖9 所示。

    圖7 不同算法所得種子節(jié)點(diǎn)集影響范圍(Digg)

    圖8 不同算法所得種子節(jié)點(diǎn)集影響范圍(Mathoverflow)

    圖9 不同算法所得種子節(jié)點(diǎn)集影響范圍(Superuser)

    在Digg 數(shù)據(jù)集下,6 種算法所得種子節(jié)點(diǎn)集的影響范圍均隨著種子節(jié)點(diǎn)數(shù)的增多而增大,IMIT 算法的影響范圍最大,與之相比,在5 個(gè)不同數(shù)量的種子節(jié)點(diǎn)集下,CHG 算法的影響范圍分別下降了4.8%、5.2%、5.3%、7.2%、9.3%。當(dāng)k<30 時(shí),TIM 影響范圍與IMIT、CHG 接近;當(dāng)k〉30 時(shí),TIM 的影響范圍開始下降,與IMIT、CHG 之間的差距逐漸增大。

    在Mathoverflow 數(shù)據(jù)集下,CHG 算法影響范圍相比于IMIT 算法在5 個(gè)種子節(jié)點(diǎn)集下分別下降了11.1%、8.9%、6.4%、7.6%、7.9%。當(dāng)k<20 時(shí),TIM 影響范圍與CHG 接近;當(dāng)k〉20 時(shí),2 種算法之間的差距逐漸增大。在更大規(guī)模的數(shù)據(jù)集Superuser 下,TIM 的影響效果與IMIT、CHG 的差距更為明顯,其影響范圍相比于IMIT 分別下降了33.5%、20.9%、19.5%、19.1%、18.2%。而CHG曲線與IMIT 曲線接近,5 個(gè)種子節(jié)點(diǎn)集下影響范圍分別下降了4.2%、8.1%、7.5%、5.4%、3.3%。DegreeDiscount 與Degree 在時(shí)序圖上表現(xiàn)出的影響效果一般,2 個(gè)啟發(fā)式算法影響范圍相比于IMIT分別下降了53.2%與68.8%。

    產(chǎn)生上述實(shí)驗(yàn)結(jié)果的原因如下。Degree 算法不足之處在于其只關(guān)注了單一節(jié)點(diǎn)影響力大小,卻忽略了節(jié)點(diǎn)間的相互作用,同時(shí),由于時(shí)序圖上信息傳播所具有的時(shí)序性,該算法對單一節(jié)點(diǎn)影響力的評估也不夠準(zhǔn)確,這2 個(gè)因素導(dǎo)致Degree算法所得種子節(jié)點(diǎn)質(zhì)量下降,DegreeDiscount 算法針對此問題進(jìn)行了改進(jìn),但是相對于貪心算法來說,其所挖掘出的種子節(jié)點(diǎn)集的影響力仍然有一定差距。TIM 算法以節(jié)點(diǎn)間聯(lián)系次數(shù)來簡單評價(jià)節(jié)點(diǎn)的重要程度,然后截取前100 個(gè)節(jié)點(diǎn)進(jìn)行最終種子節(jié)點(diǎn)的挑選,節(jié)點(diǎn)間聯(lián)系次數(shù)更多反映的是傳播概率的大小,用來衡量節(jié)點(diǎn)影響力尚存在一定誤差,故導(dǎo)致一些真實(shí)影響力較大的節(jié)點(diǎn),或者更好的節(jié)點(diǎn)組合并不存在于前100 個(gè)節(jié)點(diǎn)之中,則所選出的種子集也并非最優(yōu)的節(jié)點(diǎn)組合,這是造成TIM 算法影響力損失的主要原因。另外,TIM 算法在面對小規(guī)模數(shù)據(jù)集或種子節(jié)點(diǎn)數(shù)較小時(shí),尚可以獲得相對較好的效果;當(dāng)面對大規(guī)模數(shù)據(jù)集時(shí),TIM 算法誤差性開始顯現(xiàn),其影響力將會(huì)大幅下降,正如文獻(xiàn)[10]所述,TIM 算法更適用于中小規(guī)模網(wǎng)絡(luò)上的種子節(jié)點(diǎn)挖掘。IMIT 算法采用蒙特卡羅模擬方法計(jì)算單一節(jié)點(diǎn)影響力,再通過計(jì)算節(jié)點(diǎn)邊際效應(yīng)而得出最終種子節(jié)點(diǎn)集,獲得了極高的影響力。CHG 算法首先對單一節(jié)點(diǎn)影響力進(jìn)行啟發(fā)式評估,并根據(jù)評估結(jié)果選取影響力最大的前rN個(gè)節(jié)點(diǎn)構(gòu)建候選種子節(jié)點(diǎn)集,然后貪心選取種子節(jié)點(diǎn),以保證最優(yōu)的種子節(jié)點(diǎn)組合,故最終達(dá)到了與IMIT 影響力非常接近的理想效果。由于CHG 算法將種子節(jié)點(diǎn)的篩選范圍縮小至候選種子節(jié)點(diǎn)集,該集合基本涵蓋了對最終實(shí)驗(yàn)結(jié)果產(chǎn)生影響的所有節(jié)點(diǎn),但不完全排除被過濾掉的節(jié)點(diǎn)是某輪邊際效應(yīng)計(jì)算中最大值節(jié)點(diǎn)的可能性,這是造成CHG 算法所得種子節(jié)點(diǎn)集影響范圍略低于IMIT 算法的主要原因。

    4.3.5 不同算法運(yùn)行時(shí)間對比

    1)為了驗(yàn)證CHG 算法在利用節(jié)點(diǎn)邊際效應(yīng)貪心式選取種子階段對IMIT 算法的優(yōu)化,對2 種算法在該階段選取50 個(gè)種子節(jié)點(diǎn)的運(yùn)行時(shí)間進(jìn)行了實(shí)驗(yàn)對比,結(jié)果如圖10 所示。從圖10 中可以看到,CHG 算法相比IMIT 算法在3 個(gè)數(shù)據(jù)集下挖掘50 個(gè)種子節(jié)點(diǎn)運(yùn)行時(shí)間均更小,這是因?yàn)殡S著數(shù)據(jù)集規(guī)模的增大,IMIT 算法將會(huì)面臨較為復(fù)雜的節(jié)點(diǎn)邊際效應(yīng)計(jì)算,而CHG 算法通過對節(jié)點(diǎn)邊際效應(yīng)的計(jì)算方法進(jìn)行改進(jìn),同時(shí)又優(yōu)化了利用邊際效應(yīng)選點(diǎn)的策略,極大限度地降低了計(jì)算的復(fù)雜程度,實(shí)驗(yàn)數(shù)據(jù)顯示,此階段CHG 算法比IMIT 算法節(jié)省了59%~71%的運(yùn)行時(shí)間。

    圖10 貪心式選取種子節(jié)點(diǎn)階段運(yùn)行時(shí)間

    2) 6 種算法在3 個(gè)數(shù)據(jù)集下分別挖掘50 個(gè)種子節(jié)點(diǎn)的運(yùn)行時(shí)間如表3 所示。

    表3 算法運(yùn)行時(shí)間

    從表3 中可以看到,在6 種算法中,IMIT 算法運(yùn)行時(shí)間最長,盡管該算法在種子節(jié)點(diǎn)選取的過程中利用了節(jié)點(diǎn)邊際效應(yīng)的子模性,但是在對單一節(jié)點(diǎn)影響力計(jì)算上耗費(fèi)了大量時(shí)間,導(dǎo)致算法最終運(yùn)行時(shí)間較高。相比之下,CHG 算法對節(jié)點(diǎn)影響力進(jìn)行啟發(fā)式評估,根據(jù)評估結(jié)果構(gòu)建候選種子節(jié)點(diǎn)集,并對節(jié)點(diǎn)邊際效應(yīng)的計(jì)算方法進(jìn)行了優(yōu)化,減少了對非必要節(jié)點(diǎn)的遍歷計(jì)算,極大限度地降低了算法時(shí)間復(fù)雜度,最終的運(yùn)行時(shí)間相比于IMIT 算法在3 個(gè)數(shù)據(jù)集下分別減少了68.2%、85.1%、94.0%。TIM 在時(shí)間效率方面表現(xiàn)良好是因?yàn)樵撍惴O大限度上縮減了種子節(jié)點(diǎn)的篩選范圍,將最終的種子節(jié)點(diǎn)局限于影響力最大的前100 個(gè)節(jié)點(diǎn)之中,直接導(dǎo)致了算法最終所得種子節(jié)點(diǎn)集影響力的下降,可見該算法在追求時(shí)間高效的同時(shí),也犧牲了一定的準(zhǔn)確性。

    綜上所述,與IMIT 算法相比,CHG 算法在運(yùn)行時(shí)間上平均縮短了82.4%,而影響范圍僅平均降低了6.9%,算法展現(xiàn)出了一定的高效性與可擴(kuò)展性,更好地做到了影響范圍與時(shí)間效率2 個(gè)方面之間的平衡,即使在大規(guī)模網(wǎng)絡(luò)中,CHG 算法也能避免TIM 算法所出現(xiàn)準(zhǔn)確率低的問題,并能夠高效地完成大規(guī)模時(shí)序圖中種子節(jié)點(diǎn)的挖掘。

    5 結(jié)束語

    為了解決時(shí)序圖中種子節(jié)點(diǎn)集影響范圍與算法時(shí)間效率兩者間如何取得平衡,從而能夠高效地完成大規(guī)模數(shù)據(jù)集下種子節(jié)點(diǎn)挖掘這一問題,本文給出了一種將啟發(fā)式算法和貪心策略相結(jié)合的種子節(jié)點(diǎn)挖掘算法CHG,首先對節(jié)點(diǎn)影響力進(jìn)行啟發(fā)式評估,并以此構(gòu)建候種子節(jié)點(diǎn)集,最后對候選節(jié)點(diǎn)進(jìn)行邊際效應(yīng)的計(jì)算,從而得到最終的種子節(jié)點(diǎn)集。實(shí)驗(yàn)結(jié)果表明,CHG 在時(shí)間效率與影響范圍2 方面均取得了理想效果,為大規(guī)模時(shí)序網(wǎng)絡(luò)中種子節(jié)點(diǎn)的挖掘提供了更高效的策略。

    在未來的工作中將會(huì)考慮進(jìn)行如下深入研究。1) 針對不同類型的時(shí)序社交網(wǎng)絡(luò),進(jìn)一步結(jié)合節(jié)點(diǎn)激活成本、耗費(fèi)時(shí)間、不同信息類型等更多實(shí)際因素,研究如何進(jìn)行種子節(jié)點(diǎn)的挖掘;2) 本文從全局的角度出發(fā)研究時(shí)序社交網(wǎng)絡(luò)的影響力最大化問題,下一步可以嘗試對時(shí)序圖進(jìn)行時(shí)間切片,以動(dòng)態(tài)的視角研究實(shí)時(shí)影響力最大化問題。

    猜你喜歡
    邊際效應(yīng)時(shí)序影響力
    時(shí)序坐標(biāo)
    基于Sentinel-2時(shí)序NDVI的麥冬識別研究
    天才影響力
    NBA特刊(2018年14期)2018-08-13 08:51:40
    夏花生施用鉬肥效果試驗(yàn)
    黃艷:最深遠(yuǎn)的影響力
    一種毫米波放大器時(shí)序直流電源的設(shè)計(jì)
    電子制作(2016年15期)2017-01-15 13:39:08
    國產(chǎn)小成本電影全媒體推廣的邊際效應(yīng)探究
    新聞界(2016年11期)2016-11-07 21:27:56
    3.15消協(xié)三十年十大影響力事件
    傳媒不可估量的影響力
    人間(2015年21期)2015-03-11 15:24:39
    花生邊際效應(yīng)利用技術(shù)探討
    国产精品麻豆人妻色哟哟久久| 老鸭窝网址在线观看| 最新的欧美精品一区二区| 一区在线观看完整版| 久久99精品国语久久久| 婷婷色麻豆天堂久久| 欧美日韩视频精品一区| e午夜精品久久久久久久| 免费久久久久久久精品成人欧美视频| 欧美精品av麻豆av| 国产成人免费无遮挡视频| 欧美乱码精品一区二区三区| 水蜜桃什么品种好| 美女视频免费永久观看网站| 亚洲成人免费av在线播放| 考比视频在线观看| 亚洲国产日韩一区二区| 狠狠婷婷综合久久久久久88av| 麻豆av在线久日| 国产精品成人在线| 亚洲国产看品久久| 女人久久www免费人成看片| 大陆偷拍与自拍| 成在线人永久免费视频| 黑丝袜美女国产一区| 中文字幕人妻丝袜一区二区| 婷婷色综合www| 久久久久网色| 蜜桃国产av成人99| av线在线观看网站| 久久国产精品男人的天堂亚洲| 久久精品aⅴ一区二区三区四区| a级片在线免费高清观看视频| 国产亚洲欧美在线一区二区| 国产成人精品久久久久久| 中国美女看黄片| 99精品久久久久人妻精品| 亚洲精品乱久久久久久| 激情五月婷婷亚洲| 久久精品久久精品一区二区三区| 国产在视频线精品| 又紧又爽又黄一区二区| 亚洲精品在线美女| 亚洲精品一区蜜桃| 成人午夜精彩视频在线观看| 黄色视频不卡| 男女之事视频高清在线观看 | cao死你这个sao货| 母亲3免费完整高清在线观看| 欧美亚洲 丝袜 人妻 在线| 在线观看免费午夜福利视频| 久久久久国产一级毛片高清牌| 久久久久久久久免费视频了| 一区二区三区乱码不卡18| 国产日韩欧美视频二区| 国产深夜福利视频在线观看| 午夜免费观看性视频| 欧美日本中文国产一区发布| 51午夜福利影视在线观看| 一区二区三区精品91| 各种免费的搞黄视频| 青青草视频在线视频观看| 成年人午夜在线观看视频| 久久久久久人人人人人| 大陆偷拍与自拍| 十分钟在线观看高清视频www| 精品久久久精品久久久| 久久亚洲精品不卡| 中文欧美无线码| 校园人妻丝袜中文字幕| 99久久人妻综合| 亚洲人成77777在线视频| 国产一区二区在线观看av| av国产久精品久网站免费入址| 日本五十路高清| 欧美日韩亚洲综合一区二区三区_| 亚洲av成人精品一二三区| 久久精品久久精品一区二区三区| 日本五十路高清| 狠狠婷婷综合久久久久久88av| 精品欧美一区二区三区在线| 国产精品一二三区在线看| 亚洲av美国av| 美女主播在线视频| 高清欧美精品videossex| 亚洲国产毛片av蜜桃av| 51午夜福利影视在线观看| 高清av免费在线| 久热爱精品视频在线9| 久久毛片免费看一区二区三区| 超色免费av| 日本av手机在线免费观看| 成年av动漫网址| 成人亚洲欧美一区二区av| 爱豆传媒免费全集在线观看| 一级黄片播放器| 一本一本久久a久久精品综合妖精| 亚洲熟女精品中文字幕| 久久精品国产综合久久久| 免费黄频网站在线观看国产| 婷婷色麻豆天堂久久| 黄色a级毛片大全视频| 黄色 视频免费看| 五月开心婷婷网| 操美女的视频在线观看| 亚洲精品日本国产第一区| 久久久精品免费免费高清| 又大又爽又粗| 99久久99久久久精品蜜桃| 丁香六月天网| 国产黄色免费在线视频| 亚洲 欧美一区二区三区| 婷婷成人精品国产| 国产一卡二卡三卡精品| 国产在线免费精品| 男女高潮啪啪啪动态图| 久久国产亚洲av麻豆专区| av天堂久久9| 下体分泌物呈黄色| 日本91视频免费播放| 90打野战视频偷拍视频| 亚洲人成电影免费在线| 看免费av毛片| 首页视频小说图片口味搜索 | 久久狼人影院| 中文字幕人妻丝袜制服| 免费在线观看黄色视频的| 国产日韩一区二区三区精品不卡| 丝袜脚勾引网站| 精品人妻1区二区| 亚洲精品美女久久av网站| 午夜av观看不卡| 欧美另类一区| 老司机亚洲免费影院| 涩涩av久久男人的天堂| 老汉色av国产亚洲站长工具| 超色免费av| 激情五月婷婷亚洲| 高清欧美精品videossex| 国产高清视频在线播放一区 | 亚洲国产日韩一区二区| 汤姆久久久久久久影院中文字幕| 狂野欧美激情性xxxx| 国产1区2区3区精品| 亚洲精品在线美女| 久久狼人影院| 高清黄色对白视频在线免费看| 亚洲av成人精品一二三区| 50天的宝宝边吃奶边哭怎么回事| 亚洲欧美精品综合一区二区三区| 免费少妇av软件| 人人妻人人澡人人爽人人夜夜| 1024视频免费在线观看| 日本wwww免费看| 看免费av毛片| 在线 av 中文字幕| 国产日韩欧美亚洲二区| 亚洲国产精品999| 男女边摸边吃奶| 欧美黄色淫秽网站| 一区二区三区四区激情视频| 一本大道久久a久久精品| www.自偷自拍.com| 久久鲁丝午夜福利片| 超色免费av| 搡老乐熟女国产| 国产片特级美女逼逼视频| 91字幕亚洲| 久久精品熟女亚洲av麻豆精品| 亚洲人成77777在线视频| 男女下面插进去视频免费观看| 欧美97在线视频| av有码第一页| 在线观看免费午夜福利视频| 国产99久久九九免费精品| 性色av一级| 欧美黄色片欧美黄色片| 如日韩欧美国产精品一区二区三区| 日日夜夜操网爽| 亚洲伊人色综图| 岛国毛片在线播放| 亚洲精品久久久久久婷婷小说| 精品一区在线观看国产| 国产视频一区二区在线看| 亚洲精品久久成人aⅴ小说| 成年美女黄网站色视频大全免费| 可以免费在线观看a视频的电影网站| 在线 av 中文字幕| 80岁老熟妇乱子伦牲交| 亚洲人成电影观看| 青青草视频在线视频观看| 国产欧美日韩一区二区三区在线| 亚洲av日韩精品久久久久久密 | 亚洲欧美成人综合另类久久久| 女人爽到高潮嗷嗷叫在线视频| 国产亚洲精品第一综合不卡| 欧美激情高清一区二区三区| 国产男女内射视频| 99热全是精品| 精品少妇黑人巨大在线播放| 欧美日韩一级在线毛片| 国语对白做爰xxxⅹ性视频网站| 中文字幕制服av| 亚洲男人天堂网一区| 欧美人与性动交α欧美精品济南到| 国产av国产精品国产| 久久精品久久久久久久性| 亚洲国产精品999| 精品国产乱码久久久久久小说| 少妇猛男粗大的猛烈进出视频| 国产欧美日韩一区二区三区在线| kizo精华| 亚洲激情五月婷婷啪啪| 18禁裸乳无遮挡动漫免费视频| 精品高清国产在线一区| 国产爽快片一区二区三区| 九草在线视频观看| av福利片在线| 色播在线永久视频| 国产免费又黄又爽又色| 久久国产精品大桥未久av| av福利片在线| 国产99久久九九免费精品| 亚洲av在线观看美女高潮| 成人亚洲欧美一区二区av| 狂野欧美激情性xxxx| 秋霞在线观看毛片| 国产伦理片在线播放av一区| 99热国产这里只有精品6| 午夜日韩欧美国产| 日本91视频免费播放| 亚洲av国产av综合av卡| 久久久久久久久免费视频了| 日韩制服丝袜自拍偷拍| 视频区欧美日本亚洲| 久久久久久亚洲精品国产蜜桃av| 男人爽女人下面视频在线观看| avwww免费| 久久精品成人免费网站| 美女扒开内裤让男人捅视频| 麻豆乱淫一区二区| 日韩,欧美,国产一区二区三区| 国产欧美日韩综合在线一区二区| 又黄又粗又硬又大视频| 一区二区日韩欧美中文字幕| 亚洲五月婷婷丁香| xxxhd国产人妻xxx| 丝袜在线中文字幕| 五月开心婷婷网| 一级毛片 在线播放| 自线自在国产av| 久久人妻熟女aⅴ| svipshipincom国产片| 又紧又爽又黄一区二区| 日本黄色日本黄色录像| 欧美黄色淫秽网站| 少妇 在线观看| 亚洲成av片中文字幕在线观看| 天堂中文最新版在线下载| 国产精品亚洲av一区麻豆| 中文字幕精品免费在线观看视频| 国产成人系列免费观看| 大香蕉久久网| 久久99精品国语久久久| svipshipincom国产片| 亚洲,一卡二卡三卡| 新久久久久国产一级毛片| 中文字幕另类日韩欧美亚洲嫩草| 免费观看a级毛片全部| 国产1区2区3区精品| 国产深夜福利视频在线观看| 波野结衣二区三区在线| 亚洲综合色网址| 97精品久久久久久久久久精品| 亚洲男人天堂网一区| 国产麻豆69| 色婷婷久久久亚洲欧美| 国产午夜精品一二区理论片| 国产黄频视频在线观看| 50天的宝宝边吃奶边哭怎么回事| 亚洲av综合色区一区| 亚洲成色77777| 成人三级做爰电影| 黄网站色视频无遮挡免费观看| 大香蕉久久网| 成年女人毛片免费观看观看9 | svipshipincom国产片| 又紧又爽又黄一区二区| 久久亚洲国产成人精品v| 免费高清在线观看视频在线观看| 脱女人内裤的视频| 黑人巨大精品欧美一区二区蜜桃| 成人亚洲欧美一区二区av| 99久久精品国产亚洲精品| 精品久久久精品久久久| 午夜福利视频在线观看免费| 国产精品av久久久久免费| 亚洲精品乱久久久久久| 一本久久精品| 中文字幕制服av| 19禁男女啪啪无遮挡网站| 老司机午夜十八禁免费视频| 一本久久精品| 国产真人三级小视频在线观看| 伊人亚洲综合成人网| 精品一区在线观看国产| 午夜两性在线视频| 亚洲视频免费观看视频| 1024视频免费在线观看| 国产视频首页在线观看| 亚洲欧美精品综合一区二区三区| 尾随美女入室| 91国产中文字幕| 久久热在线av| 五月天丁香电影| 赤兔流量卡办理| 嫁个100分男人电影在线观看 | 日韩视频在线欧美| 母亲3免费完整高清在线观看| 一级毛片电影观看| 激情视频va一区二区三区| 美女高潮到喷水免费观看| 少妇人妻久久综合中文| 精品福利观看| 久久鲁丝午夜福利片| 欧美日韩福利视频一区二区| 丝袜美足系列| av欧美777| 亚洲一区二区三区欧美精品| 丰满迷人的少妇在线观看| 在线亚洲精品国产二区图片欧美| 国产一区二区三区综合在线观看| 国产极品粉嫩免费观看在线| 精品高清国产在线一区| 伊人久久大香线蕉亚洲五| 中文字幕人妻丝袜一区二区| 免费观看av网站的网址| 一本色道久久久久久精品综合| 久久精品亚洲熟妇少妇任你| 欧美黑人精品巨大| 十八禁人妻一区二区| 黄色毛片三级朝国网站| 国产一区有黄有色的免费视频| 麻豆av在线久日| 国产片内射在线| 美女视频免费永久观看网站| 国产在线免费精品| 一区二区av电影网| av不卡在线播放| 亚洲精品久久成人aⅴ小说| 亚洲精品自拍成人| 久久久久久久久免费视频了| 亚洲精品在线美女| 大香蕉久久网| 在线av久久热| 中文乱码字字幕精品一区二区三区| 国产淫语在线视频| 久久精品亚洲av国产电影网| 日日夜夜操网爽| 久久久国产欧美日韩av| 天天躁夜夜躁狠狠久久av| 搡老乐熟女国产| 国产亚洲av高清不卡| 亚洲男人天堂网一区| 日韩伦理黄色片| 亚洲自偷自拍图片 自拍| 日韩电影二区| 99热国产这里只有精品6| 亚洲成人手机| 两个人免费观看高清视频| 欧美精品一区二区免费开放| 国产精品久久久久成人av| 1024香蕉在线观看| 免费不卡黄色视频| 水蜜桃什么品种好| 另类亚洲欧美激情| 黄色片一级片一级黄色片| 我要看黄色一级片免费的| 久久精品aⅴ一区二区三区四区| 美女大奶头黄色视频| 精品少妇内射三级| 欧美97在线视频| 如日韩欧美国产精品一区二区三区| 在现免费观看毛片| 91精品三级在线观看| 啦啦啦在线观看免费高清www| av天堂久久9| 天天躁夜夜躁狠狠躁躁| 久久天躁狠狠躁夜夜2o2o | 日韩视频在线欧美| 香蕉国产在线看| 久久久久网色| 国产亚洲欧美在线一区二区| 伦理电影免费视频| 日本91视频免费播放| 欧美人与性动交α欧美精品济南到| 狂野欧美激情性bbbbbb| 麻豆乱淫一区二区| 成人黄色视频免费在线看| 一级毛片女人18水好多 | 亚洲激情五月婷婷啪啪| 色播在线永久视频| 精品一区二区三卡| 成人国语在线视频| 中文字幕制服av| 日韩av在线免费看完整版不卡| 99九九在线精品视频| 久久久久精品人妻al黑| 免费av中文字幕在线| 国产在线一区二区三区精| 国产色视频综合| 九色亚洲精品在线播放| 狠狠婷婷综合久久久久久88av| 啦啦啦在线免费观看视频4| 久久天堂一区二区三区四区| 一级片'在线观看视频| 男女午夜视频在线观看| 午夜av观看不卡| 成年人午夜在线观看视频| 色网站视频免费| 久久久久精品国产欧美久久久 | 另类精品久久| 老鸭窝网址在线观看| 王馨瑶露胸无遮挡在线观看| 欧美人与善性xxx| 国产精品欧美亚洲77777| 新久久久久国产一级毛片| 久9热在线精品视频| 精品少妇一区二区三区视频日本电影| 国产成人精品久久久久久| 99久久99久久久精品蜜桃| 国产欧美日韩精品亚洲av| 久久久精品94久久精品| 少妇精品久久久久久久| 久9热在线精品视频| 久久久久国产精品人妻一区二区| 少妇裸体淫交视频免费看高清 | 老司机影院成人| www.999成人在线观看| svipshipincom国产片| 美女午夜性视频免费| 老司机午夜十八禁免费视频| 晚上一个人看的免费电影| 久久精品成人免费网站| 亚洲欧美中文字幕日韩二区| 国产伦人伦偷精品视频| 天天躁日日躁夜夜躁夜夜| 亚洲人成77777在线视频| 黄色a级毛片大全视频| 亚洲精品一二三| √禁漫天堂资源中文www| 天天影视国产精品| 在线av久久热| 亚洲少妇的诱惑av| 日韩制服骚丝袜av| 好男人电影高清在线观看| 观看av在线不卡| 国产精品国产三级国产专区5o| 母亲3免费完整高清在线观看| 久久久久网色| 亚洲七黄色美女视频| 最近手机中文字幕大全| 免费一级毛片在线播放高清视频 | 亚洲情色 制服丝袜| 最近手机中文字幕大全| 久久狼人影院| 色综合欧美亚洲国产小说| 国产片特级美女逼逼视频| 天天添夜夜摸| 99久久99久久久精品蜜桃| 国产免费现黄频在线看| 我的亚洲天堂| 欧美激情 高清一区二区三区| 熟女少妇亚洲综合色aaa.| 精品人妻一区二区三区麻豆| 亚洲国产av新网站| 欧美+亚洲+日韩+国产| 欧美日韩一级在线毛片| 男人爽女人下面视频在线观看| 妹子高潮喷水视频| 老鸭窝网址在线观看| 老司机影院成人| 99精国产麻豆久久婷婷| 热re99久久国产66热| 夫妻性生交免费视频一级片| 丁香六月欧美| 国产精品九九99| 国精品久久久久久国模美| www.av在线官网国产| 久久精品久久精品一区二区三区| 精品人妻熟女毛片av久久网站| 啦啦啦中文免费视频观看日本| 国产欧美日韩精品亚洲av| 黄色怎么调成土黄色| 国产欧美日韩精品亚洲av| 高潮久久久久久久久久久不卡| 深夜精品福利| 久久热在线av| 一二三四社区在线视频社区8| 高潮久久久久久久久久久不卡| 亚洲,欧美精品.| 国产高清videossex| 人妻 亚洲 视频| 中文字幕色久视频| 亚洲欧美色中文字幕在线| 久久久久久亚洲精品国产蜜桃av| 人人妻,人人澡人人爽秒播 | 国产视频首页在线观看| 免费少妇av软件| 女人精品久久久久毛片| 亚洲伊人色综图| 精品久久久久久电影网| 男女午夜视频在线观看| 首页视频小说图片口味搜索 | av片东京热男人的天堂| 999久久久国产精品视频| 国产熟女午夜一区二区三区| 日韩一区二区三区影片| 中文欧美无线码| 亚洲五月色婷婷综合| 免费看十八禁软件| 国产视频一区二区在线看| 一区二区三区精品91| 国产无遮挡羞羞视频在线观看| 香蕉国产在线看| 午夜视频精品福利| 国产成人av教育| av在线app专区| 各种免费的搞黄视频| 在线观看人妻少妇| 日韩大片免费观看网站| 男女午夜视频在线观看| 18禁裸乳无遮挡动漫免费视频| 精品亚洲成a人片在线观看| 国产成人免费观看mmmm| 亚洲国产毛片av蜜桃av| 亚洲综合色网址| 欧美变态另类bdsm刘玥| 国产人伦9x9x在线观看| 尾随美女入室| 中国国产av一级| 精品人妻熟女毛片av久久网站| 免费一级毛片在线播放高清视频 | 日日夜夜操网爽| 国产精品.久久久| 人妻人人澡人人爽人人| 国产成人精品久久二区二区91| 777久久人妻少妇嫩草av网站| 国产欧美亚洲国产| 99久久综合免费| 精品国产乱码久久久久久男人| 欧美精品啪啪一区二区三区 | 老司机影院毛片| 2021少妇久久久久久久久久久| 香蕉丝袜av| 曰老女人黄片| 99国产精品一区二区蜜桃av | 久热这里只有精品99| 欧美国产精品一级二级三级| 尾随美女入室| 日日摸夜夜添夜夜爱| 波野结衣二区三区在线| 中文字幕精品免费在线观看视频| 久久精品国产亚洲av高清一级| 久久久久国产精品人妻一区二区| 波多野结衣一区麻豆| av天堂在线播放| 婷婷丁香在线五月| 18禁国产床啪视频网站| 久久精品久久精品一区二区三区| 欧美日韩综合久久久久久| 国产精品久久久久久精品电影小说| 免费高清在线观看视频在线观看| 午夜视频精品福利| 成人国产av品久久久| 亚洲情色 制服丝袜| 亚洲av日韩精品久久久久久密 | 国产精品国产av在线观看| 精品少妇久久久久久888优播| 久久久久精品人妻al黑| 一级毛片我不卡| 电影成人av| 99热全是精品| 亚洲欧美成人综合另类久久久| 日本欧美视频一区| 久久国产精品人妻蜜桃| 90打野战视频偷拍视频| 久久久久网色| 香蕉国产在线看| 精品亚洲成a人片在线观看| 欧美国产精品一级二级三级| 亚洲精品美女久久av网站| 亚洲精品国产av成人精品| 1024视频免费在线观看| 天天躁夜夜躁狠狠躁躁| 狂野欧美激情性xxxx| 考比视频在线观看| av国产精品久久久久影院| 国产男女超爽视频在线观看| 热99国产精品久久久久久7| 免费看十八禁软件| 91字幕亚洲| 亚洲精品国产一区二区精华液| 在线精品无人区一区二区三| 午夜91福利影院| 人成视频在线观看免费观看| 亚洲精品在线美女| 亚洲国产av新网站| 免费少妇av软件| 精品第一国产精品| 90打野战视频偷拍视频| 免费日韩欧美在线观看| 只有这里有精品99| 三上悠亚av全集在线观看| 午夜老司机福利片|