基于多动作事件日志的快速预算影响最大化
社会与信息网络
2018-01-29 v3 数据结构与算法
摘要
在社交网络中，影响最大化是识别一组在整个网络中拥有最大影响能力的用户的问题。在本文中，引入了一种基于信用分配（CD）的新模型，称为多动作 CD（mCD）模型，用于量化每个用户的影响能力，该模型适用于一种动作可被记录多次的实际数据集。基于此模型，影响最大化被表述为一般背包约束下的子模最大化问题，该问题是 NP-hard 的。开发了一种对用户集进行单轮扫描的高效流式算法来寻找次优解。具体而言，我们首先求解背包约束的一个特例，即基数约束，并证明所开发的流式算法可以实现最优解的 ()-近似。此外，对于一般背包情况，我们证明修改后的流式算法可以实现最优解的 ()-近似。最后，在真实的 Twitter 数据集上进行了实验，并证明在估计社交网络中受影响的总人数时，与传统的 CD 模型相比，mCD 模型具有较高的准确性。此外，通过在影响最大化问题的性能上与传统 CD、非 CD 模型以及使用贪心算法的 mCD 模型进行比较，我们展示了所提出的带有流式算法的 mCD 模型的有效性和效率。
引用
@article{arxiv.1710.02141,
title = {Fast Budgeted Influence Maximization over Multi-Action Event Logs},
author = {Qilian Yu and Hang Li and Yun Liao and Shuguang Cui},
journal= {arXiv preprint arXiv:1710.02141},
year = {2018}
}