临界点模型下病毒式营销的可扩展启发式算法
社会与信息网络
2013-09-13 v1 物理与社会
摘要
在“临界点”(tipping) 模型中，社交网络中的每个节点（代表个体）若其一定数量的入度邻居当前表现出相同行为，则该节点也会采纳该属性或行为。在病毒式营销中，一个关键问题是从网络中选择初始“种子”集，使得整个网络采纳赋予种子的任何行为。在此，我们介绍一种快速寻找种子集的方法，该方法可扩展至超大规模网络。我们的方法能找到一组节点，保证在临界点模型下传播至整个网络。在对 31 个真实世界网络进行实验评估后，我们发现该方法找到的种子集规模通常比总人口小几个数量级，且在大多数情况下优于节点中心性度量。此外，我们的方法具有良好的可扩展性——在包含 560 万节点和 2800 万条边的 Friendster 社交网络上，我们在 3.6 小时内找到了种子集。实验还表明，即使移除高度数节点，我们的算法仍能提供较小的种子集。最后，我们发现高度聚集的局部邻域以及密集的全网社区结构会抑制趋势在临界点模型下的传播能力。
引用
@article{arxiv.1309.2963,
title = {A Scalable Heuristic for Viral Marketing Under the Tipping Model},
author = {Paulo Shakarian and Sean Eyre and Damon Paulo},
journal= {arXiv preprint arXiv:1309.2963},
year = {2013}
}
备注
arXiv admin note: substantial text overlap with arXiv:1205.4431