整体影响力最大化：结合可扩展性与效率及观点感知模型
社会与信息网络
2016-02-10 v1 数据库
摘要
来自社交网络的图数据稳步增长，导致寻找影响力最大化问题解决方案的研究广泛展开。本文中，我们提出影响力最大化（IM）问题的整体解决方案。(1) 我们引入密切反映真实场景的观点-交互（OI）模型。在OI模型下，我们提出受影响用户的有效观点最大化（MEO）这一新问题。我们证明MEO问题是NP难的，且除非P=NP否则不能在常数比内近似。(2) 我们提出启发式算法OSIM以高效求解MEO问题。为更好解释OSIM启发式，我们首先引入EaSyIM——OSIM的无观点版本，一种能够在商用硬件上实际计算时间内运行的可扩展算法。除了作为OSIM的基本构建块外，EaSyIM也能解决IM问题的可扩展性方面——内存消耗与运行时间。经验上，我们的算法能够将传播偏差始终维持在文献中最佳已知方法的5%以内。此外，我们的实验表明OSIM和EaSyIM均有效、高效、可扩展，并显著增强了分析真实数据集的能力。
引用
@article{arxiv.1602.03110,
title = {Holistic Influence Maximization: Combining Scalability and Efficiency with Opinion-Aware Models},
author = {Sainyam Galhotra and Akhil Arora and Shourya Roy},
journal= {arXiv preprint arXiv:1602.03110},
year = {2016}
}
备注
ACM SIGMOD Conference 2016, 18 pages, 29 figures