gIM：基于 GPU 加速的 RIS 影响力最大化算法

给定建模为加权图 $G$ 的社交网络，影响力最大化问题寻求 $k$ 个顶点作为初始受影响节点，以在特定扩散模型下最大化预期受影响节点数。影响力最大化问题已被证明是 NP-hard 的，且大多数提出的解决方案为近似贪婪算法，可针对最优解保证结果具有可调近似比。最先进的算法基于反向影响采样（RIS）技术，该技术能为任意 $\epsilon >0$ 提供计算效率与非平凡的 $(1-\frac{1}{e}-\epsilon)$ 近似比保证。尽管基于 RIS 的算法相较其他方法计算成本更低，在具有低 $\epsilon$ 值的大规模图上求解该问题仍需要较长运行时间。本文中，我们提出一种新颖高效的基于 RIS 的算法 IMM 在 GPU 上的并行实现。所提出的 GPU 加速影响力最大化算法名为 gIM，可显著减少低 $\epsilon$ 值大规模图上的运行时间。此外，我们展示 gIM 算法仅需微小修改即可求解 IM 问题的其他变体。实验结果表明，所提方案将运行时间减少至多 $220 \times$ 倍。gIM 的源代码已在线公开可用。