基于网络缩尺的大规模多目标影响力最大化
社会与信息网络
2022-08-17 v3 人工智能
机器学习
神经与进化计算
摘要
在网络中寻找最具影响力的节点是一个计算困难的问题，在各类基于网络的问题中有若干可能的应用。尽管已提出多种方法来解决影响力最大化（IM）问题，但当网络规模增大时，其运行时间通常扩展性很差。在此，我们提出一种基于网络缩尺的原始方法，该方法使多目标进化算法（MOEA）能够在缩尺后的网络上解决 IM 问题，同时保留原始网络的相关属性。随后，利用基于 PageRank 等中心性度量的机制，将缩尺后的解放大回原始网络。我们在八个大型网络（包括两个约 5 万节点的网络）上的结果表明，所提方法具有有效性，与在原始网络上所需时间相比有超过 10 倍的运行时间收益，且与 CELF 相比最多可减少 82% 的时间。
引用
@article{arxiv.2204.06250,
title = {Large-scale multi-objective influence maximisation with network downscaling},
author = {Elia Cunegatti and Giovanni Iacca and Doina Bucur},
journal= {arXiv preprint arXiv:2204.06250},
year = {2022}
}