Stop-and-Stare：十亿规模网络中病毒式营销的最优采样算法
社会与信息网络
2017-02-23 v3 数据结构与算法
物理与社会
摘要
影响力最大化（IM）旨在寻找一小部分关键用户，将影响力广泛传播到网络中，是多个领域中的核心问题。它在病毒式营销、流行病控制和评估复杂系统中的级联故障方面有应用。尽管付出了巨大努力，在如Facebook、Twitter和万维网等十亿规模网络中的IM仍未得到满意解决。即使是最先进的方法如TIM+和IMM在这些网络上也可能需要数天。在本文中，我们提出SSA和D-SSA，两种用于基于IM的病毒式营销问题的新颖采样框架。SSA和D-SSA比SIGMOD'15最佳方法IMM快达1200倍，同时提供相同的近似保证。我们框架的基础是一种创新的Stop-and-Stare策略，其中它们在指数检查点停止以验证（注视）是否有关于解质量的充分统计证据。理论上，我们证明SSA和D-SSA是首批使用（渐近）最小样本数并满足IM的严格理论阈值的近似算法。SSA和D-SSA的绝对优越性通过对IM和另一个名为TVM的主题感知病毒式营销问题的真实网络数据的大量实验得到证实。源代码可在 https://github.com/hungnt55/Stop-and-Stare 获取。
引用
@article{arxiv.1605.07990,
title = {Stop-and-Stare: Optimal Sampling Algorithms for Viral Marketing in Billion-scale Networks},
author = {Hung T. Nguyen and My T. Thai and Thang N. Dinh},
journal= {arXiv preprint arXiv:1605.07990},
year = {2017}
}
备注
Correct the errors in the proofs for SSA/D-SSA. Update D-SSA to estimate \epsilon(s) instead of \delta(s)