动态图中影响力最大化的快速方法:一种局部更新策略

我们提出了一种用于大规模、随时间演化网络中影响力最大化的通用框架。许多现实中的影响力图(如社交网络、电话网络和IP流量数据)表现出动态特性,例如底层结构和通信模式随时间演化。相应地,我们为影响力最大化问题开发了一个动态框架,当网络中的结构和通信模式发生变化时,我们执行有效的局部更新以快速调整前k个影响者。我们设计了一种新颖的N族方法(N=1, 2, 3, ...),基于最大影响力树(MA)传播模型,具有(1-1/e)的近似保证。然后我们通过将N族方法扩展到其他信息传播模型(例如独立级联、线性阈值)和影响力最大化算法(例如CELF、反向可达草图)来开发启发式算法。基于在多个现实世界、动态和大规模网络上的详细实证分析,我们发现相较于最先进的算法,我们提出的N族解决方案将前k个影响者的更新时间提高了1–2个数量级,同时确保了相似的内存使用和影响力传播。