影响力最大化的解分布：对三种算法方法的高层实验研究
社会与信息网络
2020-03-24 v1 数据库
摘要
影响力最大化是社会影响分析中最基础的算法问题之一。过去十年中，人们为开发高效的影响力最大化算法付出了巨大努力，因此确定“最佳”算法已成为一项迫切任务。在 SIGMOD'17 上，Arora、Galhotra 和 Ranu 报告了十一种现有算法的基准结果，并表明没有哪一种最先进算法能在计算效率与解质量之间提供最佳权衡。本文中，我们报告了对三种成熟的影响力最大化算法方法（称为 Oneshot、Snapshot 和反向影响采样（RIS））的高层实验研究。与 Arora 等人不同，我们的实验方法设计用于考察随机解的分布、刻画样本数量与实际解质量之间的关系，并避免实现依赖性。我们的主要发现如下：1. 对于足够大的样本数量，无论采用何种算法我们都得到唯一解。2. Oneshot、Snapshot 和 RIS 的平均解质量随样本数量缩放以相同速率提升。3. Oneshot 所需样本多于 Snapshot，而 Snapshot 所需样本少于 RIS 但单个样本更大。我们讨论了在 Oneshot、Snapshot 和 RIS 精度相同时的时间效率。我们的结论是，仅在可用内存受限时 Oneshot 适用，而对于大型网络 RIS 比 Snapshot 更高效；对于小型、低概率网络 Snapshot 更优。
引用
@article{arxiv.2003.09816,
title = {The Solution Distribution of Influence Maximization: A High-level Experimental Study on Three Algorithmic Approaches},
author = {Naoto Ohsaka},
journal= {arXiv preprint arXiv:2003.09816},
year = {2020}
}
备注
To appear in SIGMOD 2020