最小化社交网络冲突风险的近线性时间算法

伴随着在线社交媒体平台的极大普及，个体之间的互动得到了前所未有的增强。人们可以自由地与熟人互动，并通过在线社交媒体上的评论、点赞、转发来表达和交换自己的意见，从而在有争议的社会问题上引发抵触、争议和其他重要现象，这些已成为许多近期研究的主题。在本文中，我们通过修改少量节点的初始意见来研究社交网络中最小化冲突风险的问题。我们证明了该组合优化问题的目标函数是单调且超模的。然后，我们提出了一种具有 $(1-1/e)$ 近似比的朴素贪心算法，该算法能在三次时间内解决问题。为了克服大型网络的计算挑战，我们进一步整合了几种有效的近似策略，提供了一个对于任意误差参数 $\epsilon>0$ 具有 $(1-1/e-\epsilon)$ 近似比的近线性时间算法。在各种真实世界数据集上的大量实验证明了我们算法的效率和有效性。特别是，快速算法可扩展到具有超过两百万个节点的大型网络，并且与最先进的算法相比实现了高达 $20\times$ 的加速。