时间衰减动态交互网络中有影响力节点的追踪
社会与信息网络
2018-10-24 v2 物理与社会
摘要
识别能够共同触发网络中最大影响扩散的有影响力节点，是病毒式营销、在线广告和疾病控制等许多应用中的基本问题。大多数现有研究假设社会影响是静态的，未能捕捉现实中影响的动态性。在这项工作中，我们通过设计高效的流式方法应对动态影响挑战，这些方法能从高度动态的节点交互流中识别有影响力节点。我们首先提出一个通用的时间衰减动态交互网络（TDN）模型，以建模节点交互流，并能平滑地丢弃过时数据。基于TDN模型，我们设计了三种算法，即SieveADN、BasicReduction和HistApprox。SieveADN能高效地从一种特殊的TDN中识别有影响力节点。BasicReduction以SieveADN为基本构建块，从通用TDN中识别有影响力节点。HistApprox显著提高了BasicReduction的效率。更重要的是，我们从理论上证明这三种算法均享有常数因子近似保证。在各种真实交互数据集上的实验表明，我们的方法能找到近最优解，且速度比基线方法至少快5至15倍。
引用
@article{arxiv.1810.07917,
title = {Tracking Influential Nodes in Time-Decaying Dynamic Interaction Networks},
author = {Junzhou Zhao and Shuo Shang and Pinghui Wang and John C. S. Lui and Xiangliang Zhang},
journal= {arXiv preprint arXiv:1810.07917},
year = {2018}
}
备注
14 pages, 15 figures