面向缺失数据环境的传播网络重构方法与装置与流程

1.本发明属于信息传播领域，尤其涉及一种面向缺失数据环境的传播网络重构方法与装置。


背景技术：

2.传播网络是一种研究物质、信息传播规律的模型。传播网络结构重构旨在从观测数据推断传播网络结构(即影响关系的拓扑结构)。在大多数情况下，这种影响关系是不可见的，只能观察到有限数量的历史传播过程。
3.如何根据有限数量的历史传播过程数据还原准确的传播网络结构这一问题在社交网络、病毒营销和流行病预防等领域受到了相当大的关注，因为重构出的传播网络结构能够直观地揭示结点之间的潜在交互，对于制定控制未来传播过程的策略至关重要，可以帮助研究人员更好地预测、促进或组织未来的物质、信息传播。
4.大多数的重构方法假设观测数据包含每个结点感染的确切发生时间，或者至少包含每个扩散过程中结点的最终感染状态；它们通过识别结点感染之间的时间序列或统计相关性来确定结点之间的潜在影响关系，并且都假设观测数据是完整的；在不太理想和更现实环境中，收集完整的观测数据是昂贵的，甚至是不可能的；例如，在使用传感器采集数据过程中，部分传感器会失灵；又例如，在问卷调查中，部分问卷没有回应。当前并没有针对此类情况的传播网络重构方法，在这种情况下，大多数重构方法无法应用，少部分方法直接应用会导致结果产生严重的偏差。因此迫切需要新的方法来进行缺失数据环境的传播网络重构。


技术实现要素：

5.为了在缺失数据的环境下推断传播网络中存在的影响关系，本发明提供了一种面向缺失数据环境的传播网络重构方法与装置。基于网络中各结点在传播过程结束之后的部分感染状态数据，迭代地执行根据补全数据重构传播网络影响关系、根据传播网络影响关系使用吉布斯采样(gibbs sampling)补全数据，重构出最终的传播网络的影响关系图。
6.为了实现上述目的，本发明所采用的技术方案是：
7.第一方面，本发明公开了一种面向缺失数据环境的传播网络重构方法，定义传播网络结构为g＝{v,e},其中v＝{v1,v2,..,vn}表示传播网络中的n个结点集合；e表示传播网络中影响关系的有向边集合，边vi→
vj存在表明被感染的结点vi会以一定的概率成功感染结点vj；使用fi表示结点vi∈v的父结点集合，|fi|表示fi的基数；使用xi和x
fi
分别表示结点vi的感染状态变量和父结点集合fi的感染状态变量；使用π
i,j
表示结点vi的父结点集合第j个可能的感染状态组合，例如，结点vi的有3个父结点，则其父结点集合的可能的感染状态组合为{1,1,1}、{1,1,0}、{1,0,1}、{0,1,1}、{1,0,0}、{0,1,0}、{0,0,1}、{0,0,0}，共八种，即结点vi的父节点数量为|fi|，则其父结点集合的可能的感染状态组合数量为使用θ
i,j,k
表示在父结点处于第j个感染状态组合下，结点vi处于状态k的概率，其中k∈{0,1}，0
表示未感染，1表示感染；使用s＝{s
li
|i∈{1,...,n},l∈{1,...,β}}表示传播过程结束后结点感染状态数据，其中s
li
∈{0,1}表示第l次传播过程结束后的结点vi∈v感染状态观测数据，β表示传播过程总轮数，使用s
obs
和s
mis
分别表示感染状态数据s中的已知部分和缺失部分。基于上述定义，所述方法包括以下步骤：
8.步骤1：获取传播网络中各结点在传播过程结束之后的感染状态数据s，随机初始化感染状态数据s的未知部分s
mis
为0或者1；初始化传播网络中的边集合e1、边集合e为空集。
9.步骤2：判断边集合e是否为空集，或边集合e是否不等于边集合e1；若两者之一为“是”，执行步骤3，否则结束方法，并输出边集合e，得到重构后的传播网络的影响关系图。
10.步骤3：开始新一轮迭代，将边集合e赋值给迭代前的边集合e1。
11.步骤4：利用最新的感染状态数据s，对每一个结点vi，寻找结点vi最优的父结点集合fi，使得下面打分函数最大：
[0012][0013]
其中，g(
·
)表示打分函数，γ(
·
)表示伽马函数，n
ij
表示感染状态数据s中满足x
fi
＝π
i,j
的样本数量，n
ijk
表示感染状态数据s中满足xi＝k且x
fi
＝π
i,j
的样本数量，λ是一个任意正常数。
[0014]
其中，使用贪心算法求解使打分函数取得最大值的参数，贪心算法过程为本领域相关人员所共知，此处不再赘述。
[0015]
步骤5：更新边集合e＝{(vi,vj)|vi∈v,vj∈fi}。
[0016]
步骤6：计算以父结点为条件的结点感染状态概率集合θ，计算公式如下：
[0017][0018]
其中，表示第t轮迭代后的父结点处于第j个感染状态组合下，结点vi处于状态k的概率，θ表示所有θ
ijk
的集合。
[0019]
步骤7：使用吉布斯采样算法对感染状态数据的未知部分s
mis
进行采样。
[0020]
其中，吉布斯采样算法的步骤如下：
[0021]
步骤7.1：随机初始化感染状态数据的未知部分s
mis
。
[0022]
步骤7.2：对于缺失的结点感染状态数据s
li
∈s
mis
，利用如下概率分布对s
li
采样并更新：
[0023][0024][0025]
其中，p(
·
|
·
)表示条件概率。
[0026]
步骤7.3：重复步骤7.2w次，返回更新后的s
mis
作为采样结果，根据采样结果更新感染状态数据s。其中，w是一个不作限制的足够大的数，通常令w》n，n为网络中结点数量。
[0027]
步骤8：结束一轮迭代，返回步骤2。
[0028]
第二方面，本发明公开了一种面向缺失数据环境的传播网络重构装置，包括：
[0029]
数据初始化模块m1，其用于获取传播网络中各结点在传播过程结束之后的感染状态数据，随机初始化感染状态数据的未知部分为0或者1；初始化传播网络的边集合e1、边集合e为空集；
[0030]
关系图生成模块m2，其用于定义打分函数，基于最新的感染状态数据求解使函数取得最大值的参数，得到传播网络中的每一个结点的最优父结点集合；根据最优父结点集合构建所述传播网络的影响关系图，根据影响关系图更新边集合e；
[0031]
采样模块m3，其用于计算父结点作为条件的结点感染状态条件概率，并基于所述结点感染状态条件概率对缺失的结点感染状态数据s
mis
进行吉布斯采样，更新感染状态数据；
[0032]
控制模块m4，其用于调度数据初始化模块m1、关系图生成模块m2、采样模块m3的工作，判断边集合e是否为空集，或边集合e是否不等于边集合e1；若两者之一为“是”，开始新一轮迭代，将边集合e赋值给迭代前的边集合e1；否则结束，根据边集合e得到重构后的传播网络的影响关系图。
[0033]
本发明提供了一种面向缺失数据环境的传播网络重构方法和装置。基于网络中各结点在传播过程结束之后的部分感染状态数据，迭代地执行根据补全数据重构传播网络影响关系、根据传播网络影响关系使用吉布斯采样(gibbs sampling)补全数据，重构出最终的传播网络的影响关系图，实现了在缺失数据环境下重构出传播网络的影响关系图的目标。
附图说明
[0034]
为了更清楚地说明本发明实施中的技术方案，下面将对实施例或现有的技术描述中所需要使用的附图做简单的介绍，显而易见，下面描述中的附图仅仅是本发明的一些实施实例，对于本领域的普通人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0035]
图1为本发明实施例的流程图。
[0036]
图2为本发明实施例在lfr算法生成的不同结点数的人工网络上构建影响关系图对应f值的结果，并与三种先进的传播网络重构方法netrate、multree和twind在相同条件下进行对比。
[0037]
图3为本发明实施例在lfr算法生成的不同平均度数的人工网络上构建影响关系图对应f值的结果，并与三种先进的传播网络重构方法netrate、multree和twind在相同条件下进行对比。
[0038]
图4为本发明实施例在真实数据集netsci上不同缺失率下构建影响关系图对应f值的结果，并与三种先进的传播网络重构方法netrate、multree和twind在相同条件下进行对比。
[0039]
图5为本发明实施例在真实数据集dunf上不同缺失率下构建影响关系图对应f值的结果，并与三种先进的传播网络重构方法netrate、multree和twind在相同条件下进行对比。
[0040]
图6为本发明实施例在真实数据集netsci上不同感染状态数据条数下构建影响关
系图对应f值的结果，并与三种先进的传播网络重构方法netrate、multree和twind在相同条件下进行对比。
[0041]
图7为本发明实施例在真实数据集dunf上不同感染状态数据条数下构建影响关系图对应f值的结果，并与三种先进的传播网络重构方法netrate、multree和twind在相同条件下进行对比。
[0042]
图8为本发明传播网络结构重构装置实施例的功能模块图。
具体实施方式
[0043]
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图以及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0044]
实施例1：
[0045]
在使用lfr算法人工生成的传播网络lfr1、lfr2、lfr3、lfr4、lfr5(结点数依次为100、150、200、250、300，其余条件相同)上，将感染状态数据条数设定为200条(β＝200)，并随机将15％的结点状态设定为缺失，然后按照以下步骤构造lfr1-5的影响关系图：
[0046]
步骤1：获取目标传播网络中各结点的感染状态数据，随机初始化感染状态数据的未知部分s
mis
为0或者1；初始化边集合e1、e为空集。
[0047]
步骤2：判断边集合e是否为空集，或边集合e是否不等于边集合e1；若两者之一为“是”，执行步骤3，否则结束方法，并输出迭代后的边的集合e，得到重构后的传播网络的影响关系图。
[0048]
步骤3：开始新一轮迭代，将边集合e赋值给边集合e1。
[0049]
步骤4：利用最新的感染状态数据s，对每一个结点vi，寻找结点vi最优的父结点集合fi，使得下面打分函数最大：
[0050][0051]
其中，g(
·
)表示打分函数，γ(
·
)表示伽马函数，n
ij
表示感染状态数据s中满足x
fi
＝π
i,j
的样本数量，n
ijk
表示感染状态数据s中满足xi＝k且x
fi
＝π
i,j
的样本数量，λ是一个任意正常数。
[0052]
其中，使用贪心算法求解使打分函数取得最大值的参数，贪心算法过程为本领域相关人员所共知，此处不再赘述。
[0053]
步骤5：令边集合e＝{(vi,vj)|vi∈v,vj∈fi}。
[0054]
步骤6：假设当前为第t轮迭代，计算以父结点为条件的结点感染状态概率集合θ，计算公式如下：
[0055][0056]
其中，表示第t轮迭代后的父结点处于第j个感染状态组合下，结点vi处于状态k的概率，θ表示所有θ
ijk
的集合。
[0057]
步骤7：使用吉布斯采样算法对感染状态数据的未知部分s
mis
进行采样。
[0058]
其中，吉布斯采样算法的步骤如下：
[0059]
步骤7.1：随机初始化感染状态数据的未知部分s
mis
。
[0060]
步骤7.2：对于缺失的结点感染状态数据s
li
∈s
mis
，利用如下概率分布对s
li
采样并更新，
[0061][0062][0063]
其中，p(
·
|
·
)表示条件概率。
[0064]
步骤7.3：重复步骤7.2w次，返回更新后的s
mis
作为采样结果，根据采样结果更新感染状态数据s。其中，w是一个不作限制的足够大的数，通常令w》n，n为网络中结点数量。
[0065]
步骤8：结束一轮迭代，返回步骤2。
[0066]
所有步骤完成后，记录召回率和准确率。召回率表示方法正确找出的传播网络的边占真实边的比例，准确率表示方法找出的边中正确的比例。对于召回率和准确率，将两者进行调和平均，得到f-score值，其反应了方法在召回率和准确率上的综合表现，范围为[0,1]，值越高说明表现越好。
[0067]
参照图2为本发明发明传播网络结构重构方法实施例的结果图，可以看出，在该数据集上，本发明所提方法在不同节点数量具有最好的综合表现，对节点数量不敏感，随着节点数量增加仍保持较高的f-score值。
[0068]
实施例2：在使用lfr算法人工生成的传播网络lfr6、lfr7、lfr8、lfr9、lfr10(平均度数依次为2、3、4、5、6，其余条件相同)上，将感染状态数据条数设定为200条(β＝200)，并随机将15％的结点状态设定为缺失,然后构造lfr6-10的影响关系图，构造影响关系图的步骤与实施1相同。参照图3为本发明发明传播网络结构重构方法实施例的结果图，可以看出，在该数据集上，本发明所提方法在不同平均节点度数下具有最好的综合表现，相对其他方法，本方法对平均节点度数不敏感，综合表现较为稳定。
[0069]
实施例3：在真实数据集netsci上，把感染状态数据条数设定200。缺失率分为0、0.05、0.1、0.15、0.2五个档次，然后构造netsci的影响关系图，构造影响关系图的步骤与实施1相同。参照图4为本发明发明传播网络结构重构方法实施例的结果图，可以看出，在该数据集上，本发明所提方法在不同缺失率下具有较好的综合表现，且与表现最好的twind方法差距不大，在不同缺失率下综合表现均稳定。
[0070]
实施例4：在真实数据集dunf上，把感染状态数据条数设定200。缺失率分为0、0.05、0.1、0.15、0.2五个档次，然后构造dunf的影响关系图，构造影响关系图的步骤与实施1相同。参照图5为本发明发明传播网络结构重构方法实施例的结果图，可以看出，在该数据集上，本发明所提方法在不同缺失率具有最好的综合表现，对缺失率不敏感，在不同缺失率下综合表现均稳定。
[0071]
实施例5：在真实数据集netsci上，将缺失率设定为0.15，感染状态数据条数设定为100，150，200，250，300五个档次，然后构造netsci的影响关系图，构造影响关系图的步骤与实施1相同。参照图6为本发明发明传播网络结构重构方法实施例的结果图，可以看出，在该数据集上，本发明所提方法在不同感染状态数据条数具有最好的综合表现，与twind表现
不相上下，且随着感染状态数据条数增加，综合表现略有上升。
[0072]
实施例6：在真实数据集dunf上，将缺失率设定为0.15，感染状态数据条数设定为100，150，200，250，300五个档次，然后构造dunf的影响关系图，构造影响关系图的步骤与实施1相同。参照图7为本发明发明传播网络结构重构方法实施例的结果图，可以看出，在该数据集上，本发明所提方法在不同感染状态数据条数具有最好的综合表现，且随着感染状态数据条数增加，综合表现略有上升。
[0073]
实施例7：相应地，本发明进一步提供一种传播网络结构重构装置。参照图8为本发明传播网络结构重构装置实施例的功能模块图。本发明传播网络结构重构装置实施例中，该传播网络结构重构装置包括：
[0074]
数据初始化模块m1，用于根据传播网络中各结点的感染状态数据随机初始化缺失的感染状态，并初始化边集合e,e1为空集。
[0075]
关系图生成模块m2，用于定义打分函数，求解使函数取得最大值的参数，得到结点的最优父结点集合；根据最优父结点集合构建所述传播网络的影响关系图，根据影响关系图更新边集合e。
[0076]
采样模块m3，用于计算父结点作为条件的结点感染状态条件概率，并基于所述结点感染状态条件概率对缺失的结点感染状态数据s
mis
进行吉布斯采样，更新感染状态数据。
[0077]
控制模块m4，用于调度m1、m2、m3模块工作，通过是否需要继续迭代更新传播网络的影响关系图，当不需要继续迭代时，输出边集合e，得到重构后的传播网络的影响关系图。
[0078]
所述关系图生成模块m2，采用下述打分函数：
[0079][0080]
其中，n
ij
表示感染状态数据s中满足x
fi
＝π
i,j
的样本数量，n
ijk
表示感染状态数据s中满足xi＝k且x
fi
＝π
i,j
的样本数量，λ是一个任意正常数。
[0081]
所述关系图生成模块m2，使用贪心算法求解使打分函数取得最大值的参数，即得到每一个结点的最优的父结点集合，从而得到所述传播网络的影响关系图。
[0082]
所述采样模块m3，使用下式计算父结点作为条件的结点感染状态条件概率：
[0083][0084]
其中，表示第t轮迭代后的父结点处于第j个感染状态组合下，结点vi处于状态k的概率。
[0085]
所述采样模块m3，使用吉布斯采样算法对于缺失的结点感染状态数据s
mis
进行采样，步骤如下：
[0086]
步骤1：随机初始化感染状态数据的未知部分s
mis
。
[0087]
步骤2：对于缺失的结点感染状态数据s
li
∈s
mis
，利用如下概率分布对s
li
采样并更新：
[0088]
[0089][0090]
步骤3：重复步骤2w次，返回更新后的s
mis
作为采样结果。其中w是一个不作限制的足够大的数，通常令w》n，n为网络中结点数量。
[0091]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种面向缺失数据环境的传播网络重构方法，其特征在于，包括以下步骤：步骤1：获取传播网络中各结点在传播过程结束之后的感染状态数据，随机初始化感染状态数据的未知部分为0或者1；初始化传播网络的边集合e1、边集合e为空集；步骤2：判断边集合e是否为空集，或边集合e是否不等于边集合e1；若两者之一为“是”，执行步骤3，否则结束方法，并输出边集合e，得到重构后的传播网络的影响关系图；步骤3：开始新一轮迭代，将边集合e赋值给迭代前的边集合e1；步骤4：利用最新的感染状态数据，寻找传播网络中的每一个结点的最优父结点集合；步骤5：根据每一个结点的最优父结点集合，更新边集合e＝{(v
i
,v
j
)|v
i
∈v,v
j
∈f
i
}，其中，v
i
,v
j
分别表示传播网络中的第i个结点和第j个结点，v表示传播网络中的结点集合，f
i
表示结点v
i
的父结点集合；步骤6：计算以父结点为条件的结点感染状态概率集合；步骤7：基于以父结点为条件的结点感染状态概率集合，使用吉布斯采样算法对感染状态数据的未知部分进行采样，更新感染状态数据；步骤8：结束一轮迭代，返回步骤2。2.根据权利要求1所述的一种面向缺失数据环境的传播网络重构方法，其特征在于，所述的步骤4中，设计打分函数，计算使得打分函数最大的参数，获取各结点的最优父结点集合；所述的打分函数如下：其中，g(
·
)表示打分函数，γ(
·
)表示伽马函数，n
ij
表示感染状态数据s中满足x
fi
＝π
i,j
的样本数量，x
fi
表示结点v
i
的父结点集合f
i
的感染状态变量，|f
i
|表示f
i
的基数，x
i
表示结点v
i
的感染状态变量，π
i,j
表示结点v
i
的父结点集合中第j个可能的感染状态组合，n
ijk
表示感染状态数据s中满足x
i
＝k且x
fi
＝π
i,j
的样本数量，k∈{0,1}，0表示未感染，1表示感染；λ是一个任意正常数。3.根据权利要求1所述的一种面向缺失数据环境的传播网络重构方法，其特征在于，所述的步骤6中，计算以父结点为条件的结点感染状态概率集合，计算公式如下：其中，表示第t轮迭代后的父结点处于第j个感染状态组合下，结点v
i
处于状态k的概率，θ表示所有的集合，即以父结点为条件的结点感染状态概率集合；n
ijk
表示感染状态数据s中满足x
i
＝k且x
fi
＝π
i,j
的样本数量，k∈{0,1}，0表示未感染，1表示感染，x
fi
表示结点v
i
的父结点集合f
i
的感染状态变量，π
i,j
表示结点v
i
的父结点集合中第j个可能的感染状态组合，x
i
表示结点v
i
的感染状态变量。4.根据权利要求3所述的一种面向缺失数据环境的传播网络重构方法，其特征在于，所述的步骤7包括：步骤7.1：随机初始化感染状态数据的未知部分s
mis
；
步骤7.2：对于缺失的结点感染状态数据s
li
∈s
mis
，利用如下概率分布对s
li
采样并更新：采样并更新：其中，p(
·
|
·
)表示条件概率，s
li
表示第l次传播过程结束后的结点v
i
的感染状态观测数据，s
li
∈{0,1}，0表示未感染，1表示感染；表示结点v
i
的父结点集合f
i
的感染状态变量，π
i,j
表示结点v
i
的父结点集合中第j个可能的感染状态组合；步骤7.3：重复步骤7.2w次，返回更新后的s
mis
作为采样结果，根据采样结果更新感染状态数据s；其中，w>n，n为传播网络中的结点数量。5.一种面向缺失数据环境的传播网络重构装置，其特征在于，包括：数据初始化模块m1，其用于获取传播网络中各结点在传播过程结束之后的感染状态数据，随机初始化感染状态数据的未知部分为0或者1；初始化传播网络的边集合e1、边集合e为空集；关系图生成模块m2，其用于定义打分函数，基于最新的感染状态数据求解使函数取得最大值的参数，得到传播网络中的每一个结点的最优父结点集合；根据最优父结点集合构建所述传播网络的影响关系图，根据影响关系图更新边集合e；采样模块m3，其用于计算父结点作为条件的结点感染状态条件概率，并基于所述结点感染状态条件概率对缺失的结点感染状态数据s
mis
进行吉布斯采样，更新感染状态数据；控制模块m4，其用于调度数据初始化模块m1、关系图生成模块m2、采样模块m3的工作，判断边集合e是否为空集，或边集合e是否不等于边集合e1；若两者之一为“是”，开始新一轮迭代，将边集合e赋值给迭代前的边集合e1；否则结束，根据边集合e得到重构后的传播网络的影响关系图。6.根据权利要求5所述的一种面向缺失数据环境的传播网络重构装置，其特征在于，所述的关系图生成模块m2定义的打分函数为：其中，g(
·
)表示打分函数，γ(
·
)表示伽马函数，n
ij
表示感染状态数据s中满足的样本数量，表示结点v
i
的父结点集合f
i
的感染状态变量，|f
i
|表示f
i
的基数，x
i
表示结点v
i
的感染状态变量，π
i,j
表示结点v
i
的父结点集合中第j个可能的感染状态组合，n
ijk
表示感染状态数据s中满足x
i
＝k且的样本数量，k∈{0,1}，0表示未感染，1表示感染；λ是一个任意正常数。7.根据权利要求5所述的一种面向缺失数据环境的传播网络重构装置，其特征在于，所述的采样模块m3中，计算父结点作为条件的结点感染状态条件概率的公式如下：其中，表示第t轮迭代后的父结点处于第j个感染状态组合下，结点v
i
处于状态k的
概率，θ表示所有的集合，即以父结点为条件的结点感染状态概率集合；n
ijk
表示感染状态数据s中满足x
i
＝k且的样本数量，k∈{0,1}，0表示未感染，1表示感染，表示结点v
i
的父结点集合f
i
的感染状态变量，π
i,j
表示结点v
i
的父结点集合中第j个可能的感染状态组合，x
i
表示结点v
i
的感染状态变量。8.根据权利要求5所述的一种面向缺失数据环境的传播网络重构装置，其特征在于，所述的采样模块m3中，吉布斯采样包括：随机初始化感染状态数据的未知部分s
mis
；对于缺失的结点感染状态数据s
li
∈s
mis
，利用如下概率分布对s
li
采样并更新：采样并更新：其中，p(
·
|
·
)表示条件概率，s
li
表示第l次传播过程结束后的结点v
i
的感染状态观测数据，s
li
∈{0,1}，0表示未感染，1表示感染；表示结点v
i
的父结点集合f
i
的感染状态变量，π
i,j
表示结点v
i
的父结点集合中第j个可能的感染状态组合；重复对s
li
采样并更新w次，返回更新后的s
mis
作为采样结果，根据采样结果更新感染状态数据s；其中，w>n，n为传播网络中的结点数量。

技术总结
本发明提供了一种面向缺失数据环境的传播网络重构方法与装置，属于信息传播领域。基于网络中各结点在传播过程结束之后的部分感染状态数据，迭代地执行根据补全数据重构传播网络影响关系、根据传播网络影响关系使用吉布斯采样(Gibbs Sampling)补全数据，重构出最终的传播网络的影响关系图。本发明解决了在缺失数据环境下，如何重构出传播网络的影响关系图的难题，对于制定控制未来传播过程的策略至关重要，可以帮助相关人员更好地预测、促进或组织未来的物质、信息传播。信息传播。信息传播。


技术研发人员：黄浩 吴伟观 刘玉生 王章野
受保护的技术使用者：江西求是高等研究院
技术研发日：2023.03.22
技术公布日：2023/8/5