基于去重草图的快速误差自适应影响力最大化
社会与信息网络
2021-05-11 v1 数据结构与算法
摘要
影响力最大化（IM）是在给定扩散模型下寻找能使预期受影响顶点数最大的种子顶点集的问题。由于寻找最优种子集是NP难问题，近似算法常被用于IM。在本工作中，我们描述了一种利用去重（Count-Distinct）草图和基于哈希的融合采样的快速、误差自适应方法。为估计扩散过程中受影响的顶点数，我们对每个顶点使用Flajolet-Martin草图，其中每个草图对应一个采样子图。为高效模拟扩散，单个顶点的可达集基数以连续方式存储在内存中。这使得所提算法能一次性在单步中估计模拟的受影响顶点数。为获得更快的IM内核，我们仅在观测到估计误差超过给定阈值后才并行重建草图。实验结果表明，所提算法在生成高质量种子集的同时，比最先进的近似算法快达119倍。此外，它比基于草图的方法快达62倍，同时产生的种子集具有高出3%–12%的影响力分数。
引用
@article{arxiv.2105.04023,
title = {Fast and Error-Adaptive Influence Maximization based on Count-Distinct Sketches},
author = {Gokhan Gokturk and Kamer Kaya},
journal= {arXiv preprint arXiv:2105.04023},
year = {2021}
}
备注
12 pages. Sent to IEEE Transactions on Knowledge and Data Engineering as a regular paper