兼顾效率与效果的影响力最大化：一种基于跳数的方法

影响力最大化是一个被广泛研究的问题，旨在在线社交网络（OSN）中选择一组初始种子节点，以尽可能广泛地传播影响力。然而，设计快速且精确的算法以在大规模 OSN 中寻找解决方案仍是一个开放的挑战。以往基于蒙特卡洛模拟的方法速度慢且不可扩展，而其他启发式算法则缺乏任何理论保证，并已被证明在相当多的情况下会产生较差的解。本文中，我们提出了基于跳数的算法，可轻松扩展至数百万节点和数十亿条边。与以往的启发式方法不同，我们提出的基于跳数的方法能够提供一定的理论保证。基于真实 OSN 数据集的实验评估证明了我们算法的高效性和有效性。