十亿级网络中影响力动态的重要性素描
数据结构与算法
2017-09-13 v1
摘要
社交、生物和通信网络轨迹数据的日益丰富，为分析网络中的扩散过程带来了前所未有的机遇。然而，当今网络的巨大规模给计算效率和可扩展性带来了严峻挑战。在本文中，我们提出了一种新的用于网络影响力动态的超图素描框架。我们称为 SKIS 的素描框架的核心是一种高效的重要性采样算法，该算法仅返回网络中的非奇异反向级联。与之前开发的 RIS 和 SKIM 等素描方法相比，我们的素描显著提高了估计质量，同时大幅减少了处理时间和内存占用。此外，我们提出了使用 SKIS 增强现有影响力估计和影响力最大化算法的通用策略，这些算法受病毒式营销等实际应用的启发。利用 SKIS，我们为种子集设计了高质量的影响力预言机，其平均估计误差比使用 RIS 的小至 10 倍，比使用 SKIM 的小至 6 倍。此外，我们使用 SKIS 进行的影响力最大化显著提高了贪婪算法解的质量。它在保持相同理论保证的同时，对于最快的基于 RIS 的 DSSA 算法实现了高达 10 倍的加速和 4 倍的内存减少。
引用
@article{arxiv.1709.03565,
title = {Importance Sketching of Influence Dynamics in Billion-scale Networks},
author = {Hung T. Nguyen and Tri P. Nguyen and NhatHai Phan and Thang N. Dinh},
journal= {arXiv preprint arXiv:1709.03565},
year = {2017}
}
备注
12 pages, to appear in ICDM 2017 as a regular paper