重访非渐进式影响模型：可扩展的影响最大化
社会与信息网络
2018-06-19 v3 物理与社会
摘要
尽管过去十年计算机科学界对社会网络中的影响最大化问题进行了广泛研究，但焦点一直集中在渐进式影响模型上，如独立级联（IC）和线性阈值（LT）模型，这些模型无法捕捉选择的可逆性。在本文中，我们提出了热传导（HC）模型，这是一种具有现实世界解释的非渐进式影响模型。我们证明HC模型统一、推广并扩展了现有的非渐进式模型，如投票者模型[1]和非渐进式LT模型[2]。随后我们证明，为HC模型选择最优种子节点集是NP难的，但通过建立影响传播的子模性，我们可以用一种可扩展且可证明近似最优的贪心算法来解决影响最大化问题。作为HC模型的一个特例，我们首次为非渐进式LT模型下的影响最大化问题提出了可扩展的解决方案。与其他贪心影响最大化方法形成鲜明对比的是，我们的快速高效C2GREEDY算法得益于两个可解析计算的步骤：用于计算影响传播的闭式解以及贪心种子选择。通过在多个大型真实和合成网络上的广泛实验，我们证明C2GREEDY在影响传播范围和可扩展性方面均优于当前最先进的方法。
引用
@article{arxiv.1412.5718,
title = {Revisiting Non-Progressive Influence Models: Scalable Influence Maximization},
author = {Golshan Golnari and Amir Asiaee and Arindam Banerjee and Zhi-Li Zhang},
journal= {arXiv preprint arXiv:1412.5718},
year = {2018}
}
备注
G. Golnari and A. Asiaee contributed equally to this work. Published in 31st Conference on Uncertainty in Artificial Intelligence (UAI) proceeding