import random
from .run_monte_carlo_diffusion import run_monte_carlo_diffusion
from ..graph import IMGraph
from . import BaseDiffusionModel
[docs]
class LinearThresholdModel(BaseDiffusionModel):
"""
线性阈值模型（Linear Threshold Model）。
实现了经典的线性阈值传播模型，该模型是一种离散时间传播模型，
每个节点都有一个随机阈值，当其已激活邻居的影响力总和超过该阈值时，
节点被激活。每个节点对其他节点的影响力通过边权重表示。
参考文献:
- Granovetter, M. (1978). "Threshold models of collective behavior."
American Journal of Sociology, 83(6), 1420-1443.
DOI: 10.1086/226707
URL: https://www.jstor.org/stable/2778111
Attributes:
activated_nodes (set): 所有已被激活的节点集合
graph (IMGraph): 表示传播网络结构（继承自BaseDiffusionModel）
init_seeds (list): 初始种子集（继承自BaseDiffusionModel）
record_states (bool): 指示是否记录传播过程中的状态变化（继承自BaseDiffusionModel）
states (list): 当record_states为True时存储传播过程的状态历史（继承自BaseDiffusionModel）
"""
def __init__(self, graph: IMGraph, init_seeds: list, record_states: bool = False):
"""
初始化线性阈值模型。
Args:
graph (IMGraph): 定义了节点和边的网络结构
init_seeds (list): 初始激活的节点集合
record_states (bool): 控制是否记录每一步的状态，默认为False
"""
super(LinearThresholdModel, self).__init__(graph, init_seeds, record_states)
self.activated_nodes = set(self.init_seeds)
[docs]
def update(self, current_activated_nodes: set):
"""
执行一次传播更新。
在线性阈值模型中，未激活的节点检查其已激活邻居的影响力总和，
如果超过节点的阈值则被激活。
Args:
current_activated_nodes (set): 当前轮次需要尝试传播的已激活节点集合
Returns:
set: 本轮新激活的节点集合
"""
# 执行一次传播过程
new_activated_nodes = set()
node_theta = {node: random.random() for node in range(self.graph.number_of_nodes)}
influence_sum = {node: 0 for node in range(self.graph.number_of_nodes)}
for node in current_activated_nodes:
for neighbor in self.graph.neighbors(node):
if neighbor not in self.activated_nodes:
influence_sum[neighbor] += self.graph.edges[node, neighbor]['weight']
# in_neighbors = self.graph.in_neighbors(neighbor)
# sum_weights = sum(self.graph.edges[in_neighbor, neighbor]['weight']
# for in_neighbor in in_neighbors
# if in_neighbor in current_activated_nodes)
if influence_sum[neighbor] >= node_theta[neighbor]:
new_activated_nodes.add(neighbor)
self.activated_nodes.add(neighbor)
# 记录每轮的状态
if self.record_states and new_activated_nodes:
self.states.append(new_activated_nodes.copy())
return new_activated_nodes
[docs]
def diffusion(self, update_counts: int = None):
"""
执行完整的扩散过程。
进行指定轮次的传播更新，直到达到最大轮次或没有新的节点被激活。
Args:
update_counts (int, optional): 最大更新轮次数。如果为None则持续传播直到无新节点激活
Returns:
set: 最终所有被激活的节点集合
"""
if update_counts is not None and update_counts <= 0:
raise ValueError("update_counts must be a positive integer.")
count = 0
current_activated_nodes = set(self.init_seeds)
while True:
current_activated_nodes = self.update(current_activated_nodes)
count += 1
if not current_activated_nodes or (update_counts and count >= update_counts):
break
return self.activated_nodes
[docs]
def run_monte_carlo_diffusion(self, rounds: int, update_counts: int = None, multi_process: bool = False,
processes: int = None, seed: int = None):
"""
执行蒙特卡洛模拟扩散过程。
Args:
rounds (int): 总模拟轮数
update_counts (int, optional): 更新轮次数，适用于SI模型等需要限制传播轮次的模型
multi_process (bool): 是否启用多进程模式，默认为False
processes (int, optional): 多进程模式下的进程数，为None时使用CPU核心数
seed (int, optional): 模拟时的随机种子
Returns:
float: 所有模拟轮次的平均激活节点数
"""
return run_monte_carlo_diffusion(self, rounds, update_counts, multi_process, processes, seed)
[docs]
def reset(self, init_seeds=None):
"""
重置模型状态。
将模型恢复到初始状态，如果启用状态记录则清空已记录的状态历史，
并重新设置初始种子节点状态。
Args:
init_seeds (list, optional): 新的初始种子节点集合，若为None则使用原有种子集
"""
if init_seeds is None:
init_seeds = self.init_seeds
self.init_seeds = init_seeds
self.activated_nodes = set(init_seeds)
if self.record_states:
self.states = [set(self.init_seeds)]