MONSTOR：一种用于估计并最大化未知网络影响力的归纳式方法
社会与信息网络
2020-10-27 v5 机器学习
机器学习
摘要
影响力最大化（IM）是社交网络分析中最重要的问题之一。其目标是找到给定数量的种子节点，以最大化信息在社交网络中的传播。由于它是 NP 难问题，许多近似/启发式方法被提出，其中一些反复进行蒙特卡洛（MC）模拟以可靠地估计种子集的影响力（即被感染节点数）。在本工作中，我们提出一种归纳式机器学习方法，称为蒙特卡洛模拟器（MONSTOR），用于估计训练期间未见的社交网络中给定种子节点的影响力。据我们所知，MONSTOR 是首个用于此目的的归纳式方法。MONSTOR 可通过替代重复的 MC 模拟来大幅加速现有 IM 算法。在我们的实验中，MONSTOR 提供了高度准确的估计，在未见过的真实世界社交网络中达到了 0.998 或更高的 Pearson 和 Spearman 相关系数。此外，配备 MONSTOR 的 IM 算法在 63% 的 IM 用例中比最先进的竞争对手更准确。
引用
@article{arxiv.2001.08853,
title = {MONSTOR: An Inductive Approach for Estimating and Maximizing Influence over Unseen Networks},
author = {Jihoon Ko and Kyuhan Lee and Kijung Shin and Noseong Park},
journal= {arXiv preprint arXiv:2001.08853},
year = {2020}
}
备注
To appear at the 2020 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM)