社交网络中基于Boost模拟退火的预算影响最大化
社会与信息网络
2022-03-23 v1 计算机科学与博弈论
摘要
由于更贴近真实应用场景，预算影响最大化（BIM）问题引起了研究人员的极大关注。作为影响最大化（IM）问题的一个变体，BIM 问题旨在以有限预算挖掘若干具有不同成本的节点作为种子，以尽可能最大化影响。通过首先激活这些种子节点并在给定传播模型下传播影响，可以在网络中达到最大化的影响传播。已经提出了几种针对 BIM 的方法。它们中的大多数是贪心算法的修改版本，在 IM 上表现良好，但对于 BIM 似乎效率低下，因为不可避免地会消耗大量时间。最近，提出了一些智能算法以减少运行时间，但分析表明它们不能充分利用网络中节点之间的关系，这将导致影响损失。受此启发，我们在本文中提出了一种基于 boosted 模拟退火（SA）算法的高效方法。提出了三种启发式策略来提高所提算法的性能并加速其运行。在真实世界和合成网络上的实验结果表明，所提出的 boosted SA 在性能上远优于现有算法，且运行时间几乎相等或更少。
引用
@article{arxiv.2203.11594,
title = {Budgeted Influence Maximization via Boost Simulated Annealing in Social Networks},
author = {Jianshe Wu and Junjun Gao and Hongde Zhu and Zulei Zhang},
journal= {arXiv preprint arXiv:2203.11594},
year = {2022}
}