基于社区检测与多属性决策的影响最大化混合算法
社会与信息网络
2021-05-21 v1
摘要
影响最大化问题旨在识别一组 K 个节点，使影响、疾病或信息的传播最大化。通过寻找这样一组节点来优化影响是一个 NP 难问题，也是分析复杂网络的关键问题。本文提出一种基于社区检测算法与多属性决策（MADM）技术（TOPSIS）的贪心混合方法以应对该问题，称为贪心 TOPSIS 与社区基（GTaCB）算法。文章简要介绍了社区检测与 TOPSIS 技术，随后给出所提算法的伪代码。之后，从扩散质量与扩散速度两方面，将 GTaCB 所得解与基于度中心性、接近中心性、介数中心性、PageRank 以及 TOPSIS 的若干知名贪心算法进行比较。为评估 GTaCB 性能，提供了在九类不同真实网络上的计算实验。测试通过一种著名的传染病扩散模型，即易感-感染-恢复（SIR）模型进行。仿真表明，在大多数情况下，所提算法显著优于其他算法，尤其当初始节点数或感染概率增大时。
引用
@article{arxiv.2105.09507,
title = {A hybrid algorithm based on Community Detection and Multi-Attribute Decision-Making for Influence Maximization},
author = {Masoud Jalayer and Morvarid Azheian and Mehrdad Mohammad Ali Kermani},
journal= {arXiv preprint arXiv:2105.09507},
year = {2021}
}
备注
30 pages, 20 figures