加权独立级联模型中的高效影响最大化
社会与信息网络
2015-10-22 v1
摘要
影响最大化（IM）问题是在社交网络中找到一个种子集，以实现最大的影响传播。该问题在病毒营销中起着重要作用。已有众多模型被提出来解决此问题。然而，它们均未考虑节点的属性。将所有注意力置于网络结构导致将这些模型应用于实际应用时出现一些麻烦。受此启发，我们提出加权独立级联（WIC）模型，一种通过为节点附加属性来扩展独立级联（IC）模型适用性的新型级联模型。WIC模型中的IM问题是最大化被影响节点的价值。该问题是NP难的。为解决此问题，我们提出一种基础贪心算法和权重重置（WR）算法。此外，我们提出有界权重重置（BWR）算法，通过限制扩散节点影响来进一步提高效率。我们证明BWR是一个完全多项式时间近似方案（FPTAS）。在实验上，我们表明借助额外的节点属性，WIC模型所获得的解决方案优于IC模型近90%。实验结果显示，BWR能达到极好的近似，且比贪心算法快三个数量级以上，精度牺牲很小。特别地，BWR能在几十秒内处理具有数百万节点的网络，同时保持相当高的准确性。这一结果证明BWR能有效且高效地解决IM问题。
引用
@article{arxiv.1510.06201,
title = {Efficient Influence Maximization in Weighted Independent Cascade Model},
author = {Yaxuan Wang and Hongzhi Wang and Jianzhong Li},
journal= {arXiv preprint arXiv:1510.06201},
year = {2015}
}
备注
13 pages, 5 figures