社会网络问题中的算法.docxVIP

社会网络问题中的算法

取决于所考虑的人群范围和关系的定义，社会网络，有时也称社交网络，可以多种多样。最熟悉的，是现实生活中的“熟人”关系，见面相互都能叫得上名字，用图来描述就很合适，如图1（a）所示。而微博博主之间的“粉丝关系”，不一定是互相的，用图来表示就不合适了，需要用有向图，如图1（b）所示。箭头方向就表达了粉丝关系的单向性。如果两个人互粉，如节点2和节点5，那么他们之间就有两条不同方向的边。

对矩阵概念陌生但对编程比较熟悉的读者，不妨就想像程序语言中的“二维数组”。在Python中可用二维列表或者numpy中的数组直接体现，如图2（a）中的矩阵用二维列表给出就是：

A=[[0，0，1，0，0，0]，

[1，0，1，1，1，0]，

[0，0，0，0，0，0]，

[1，0，0，0，1，0]，

[0，1，1，0，0，1]，

[0，0，1，0，0，0]]

用A[i][j]訪问它的第i行第j列元素。有时候，为方便起见，也用矩阵（数组）的第i个行向量和第j个列向量来分别指代A[i][j]，j=1，2，…，n和A[i][j]，i=1，2，…，n。注意，它们分别都包含n个元素，视觉形象上对应数组的行和列。

我们要讨论的两个算法，其社会现实意义分别与社会网络中人们的“发言权”和“影响力”有关。为了体会这些说法的现实含义，不妨考虑下面这样一种情境。

设想在某中学的一个班里，学生们相处久了相互已经比较熟悉。现在要讨论某个话题，如生物多样性，或者校门口那一棵大槐树的高度。教师让每个学生分别填写表1，写出自己的姓名和2～5个认为对该话题比较有发言权的同学的姓名。

教师收上来这些纸条，你马上能意识到，她有了一个社会网络的数据，而且其中表达的关系是有方向性的：每个学生是其中一个节点，如果学生i在他的表中提到了学生j的名字，那么网络中就有一条从i指向j的边。例如，图3就是一次实际填报数据给出的结果。我们看到每个节点发出有若干指向其他节点的边（称为出向边），同时作为结果，每个节点也“收到了”若干来自其他节点的边。此处重点是，这种“入向边的条数（称为“入度”），不同节点很可能是不同的，反映了一个学生被其他学生“认可”的情况。

一般来说，针对一个话题，每个学生都会有自己的观点，有的坚实，有的飘忽，姑且称其为不同程度的“发言权”。而这种程度是被其他同学看在眼里，表达在上述表格中的。显然，这种发言权意味着某种价值，有高低。我们来介绍一种评估这种价值的计算方法。

按照填表时给学生的背景意义，我们可以理解，如果节点i的入度大于节点j的入度，大致可以说明更多的人认为i比j对当下话题更有发言权。也就是说，节点的入度可以是发言权高低的一种指示器。不过我们还想更进一步，认为一个人的发言权不光取决于有多少人认为他有发言权，还取决于认为他有发言权的人有多大的发言权。同时，若某人认可的人较多，他的分量体现在一个人身上应该较少。直觉上，这是有道理的。利用一些合理的直觉（尽管不一定能证明总是对的），形成启发式来指导计算，是利用计算机求解问题的一种基本策略。在本栏目前面的文章中我们已经看到过不少例子。在这种思想下，接着就要考虑两点，一是将启发式变成算法，二是在应用实践中检验。

下面就是解决这个问题的著名的PageRank算法，它通过迭代同时更新每个节点的值，直到收敛误差满足要求或达到某个预设的迭代次数。算法要点是：在迭代的每一轮，让每个节点将自己的当前值均分给出向邻居节点，同时将从入向邻居节点收到的当前值加和作为自己下一轮的当前值。图4给出一个示意。关注左边图中的节点v，它有3个入向邻居，每个有不同的出度。右边则是按照上述算法思想对v进行更新的公式。

不难想到，基于有向图中的连接关系，对每一个节点都可以写出一个类似但不同的公式来。假设有n个节点，通常令每个节点的初值为1/n，按照公式进行迭代，就是PageRank计算的过程。在我们前面设置的背景问题下，这也就是学生们对某一个问题的“发言权”的计算过程了。

不过，上面只是阐述了“算法思想”。落实到明晰的算法描述还需要做些整理。关键在于“按不同的公式同时更新每个节点的值”具体怎么实施。这里首先要解决的是不同公式的统一表达问题。

令v=（v1，v2，…，vn）为拟求的网络节点PageRank值的向量，其中每个vi对应一个节点。

为了体现算法思想中的“将当前值均分给出向邻居”，我们在网络图的邻接矩阵（A）基础上，用节点的出度除每一行，得到矩阵A。图2（b）就是对应图2（a）的例子。其中第3行有些特别，多出了一个“1”，待下面解释。现在重要的是可以看到，向量v左乘A，即v←vA，恰好就是按公式对所有节点的同时更新。为什么呢？请读者思考体会。

一般地，所谓一个n元行向量v=（v1，v2，…，vn）左乘一个nxn矩阵M，其中元素用mij表示，就是用