![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
影响力最大化算法研究
文章平均质量分 71
7:45am
这个作者很懒,什么都没留下…
展开
-
关于SIR模型性质的进一步摘录
又是成为SIR搬运工的一天。以下内容来自陈卫老师在《大数据网络传播模型和算法》。纯纯自我记录,不够美观不够细致,不喜欢看出门左拐。原创 2022-09-27 21:31:55 · 1156 阅读 · 1 评论 -
论文笔记——Influence maximization with limit cost in social network
这篇paper应该是我们需要的那一款。文章主要贡献如下:1)提出了在图上的SEIR model;2)提出了给定预算的社交网络IM(information maximization with limit cost,下面称为IMLC)的定义,并证明了该问题可以归约到weighted set cover,为NP-Complete;3)提出了四个贪心算法来解决IMLC;4)提出了一个heuristic算法;5)展开两部分实验分别测试model以及算法。翻译 2022-09-20 14:45:55 · 480 阅读 · 0 评论 -
论文笔记——SIR在给定度数的随机图上的大数定律
paper还在arxiv上,主要贡献如下:在初始种子节点个数随机的情况下,证明了SIR模型中存在一个阈值,该阈值可能与顶点的度以及传染率、恢复率有关,当超过了该阈值,SIR模型在给定度的随机图上会以一定的概率进行大规模传播,且已感染节点的占比会随时间收敛于确定性函数。这里我们重点研究模型的由来。翻译 2022-09-13 21:19:47 · 164 阅读 · 0 评论 -
SI,SIS,SIR,SEIRD模型
因为个人工作需要系统地整理SI,SIR以及SEIR模型,故对三个模型进行原理介绍以及对比。文中关于SI,SIS,SIR的所有的截图都来自西工大肖华勇老师在慕课上的分享,原视频戳SEIRD模型则来自发表在SCI上的paper,想看原文戳。...原创 2022-08-26 16:53:55 · 8408 阅读 · 0 评论 -
论文笔记——Influence Maximization on Undirected Graphs: Toward closing the (1 − 1/e) Gap
Influence Maximization(IM)领域的算法主要分为两类,像是之前看到的VoteRank,K-shell等影响力最大化算法都是启发式算法(Heuristic algorithm),从网络结构出发设计算法选取种子节点。作为IM领域的另一个分支,近似算法(Approximate Algorithm)是从理论计算机(TCS)角度出发解决IM问题,最经典的就是贪心算法(Greedy Algorithm),被证明达到了1−(1/e)1-(1/e)1−(1/e)的近似。这类算法和启发式算法最大的区别就翻译 2022-08-20 20:32:38 · 527 阅读 · 0 评论 -
论文笔记(影响力最大化)——NCVoteRank:a coreness based VoteRank algorithm
Identifying influential nodes in Social Networks: Neighborhood Coreness based voting approach这是发表在pyhsica A上的一篇论文,作者都是来自Indian Institute of Technology Delhi的Sanjay Kumar和B.S. Panda。文章思路很简单,是基于VoteRank的改进算法,取名NCVoteRank。文章链接我放在右上角“版权”里面,想深入拜读的小伙伴自行下载哈~1翻译 2021-12-13 12:02:06 · 1022 阅读 · 1 评论 -
用投票机制寻找影响力节点:VoteRank plus Method
Identifying influential nodes in social networks: a voting approach发表在chaos, solutions and Fractals上的一篇文章。该文章基于启发式方法VoteRank进行了改进,在解决影响力最大化问题上提出不仅要尽可能少的寻找种子节点,而且要尽可能广泛的在网络中寻找种子节点。这样一来,就会避免信息在网络局部的流动,大大增强了节点的传播能力。图中所示即为VoteRank++VoteRank^{++}VoteRank++的主原创 2021-07-27 17:02:15 · 1421 阅读 · 13 评论 -
论文笔记——DISCO:网络嵌入和深度学习联合解决影响力最大化(IM)问题
DISCO: Influence Maximization Meets Network Embedding and Deep Learning来自西电的一篇待发表的文章。之前的基于神经网络的工作都是用STR模型获取节点的标签,该文章认为这一行为是不够准确的。作为一个NP-hard问题,系欸但那的影响力标签是难以获取的。该文章思路很清晰,将IM问题转化为一个用神经网络求解参数的一个问题QQQ。通过embedding获取节点特征,之后Q将特征结合输入神经网络进行节点影响力最大化问题的求解。1、基于学习的IM翻译 2021-07-12 15:35:29 · 949 阅读 · 0 评论 -
论文笔记——RINF:一种重排序的影响力最大化算法
A Re-Ranking Algorithm for Identifying Influential Nodes in Complex Networks本文基于节点排序方法,提出了一种新的信息传播函数重新排序算法,以识别复杂网络中一组有影响的节点。对于该算法的每一步,选择得分最高的节点,然后利用信息传播概率函数INF根据所选节点的局部路径更新节点分数。利用可感知感染恢复(SIR)模型评估了该算法的有效性。1 背景知识SIR model之前论文笔记中讲过,这里不做过多介绍。重排序算法若节点以概率翻译 2021-07-05 12:15:00 · 951 阅读 · 0 评论 -
论文笔记——HDD算法:异构网络中信息扩散的深度学习方法
HDD算法发表在knowledge-Based Systems上的一篇文章。该作者关注异构网络,并通过考虑不同的元路径为输入添加权重,提出了一种新的元路径表示学习方法HDD(Heterogeneous Deep Diffusion),该方法将元路径作为网络中的主要实体。算法的总体框架:1 背景知识1.1 元路径以及topic diffusion的目标给出图 TG=A,GT_{G}={A, G}TG=A,G,元路径PPP定义如下。A和R代表了节点和边的类型,元路径一般表示为A1R1A2R2.翻译 2021-05-24 17:35:56 · 678 阅读 · 1 评论 -
论文笔记——影响节点的识别:一种基于网络效率的边权值更新新方法
Identifying influential nodes: A new method based on network efficiency of edge weight updating来自电子科大发表在Chaos上的一篇文章。该文章提出了一种基于网络边权值更新效率的识别方法Ewuc,它可以有效地结合网络的全局和局部信息。背景知识1、Network efficiency网络效率网络效率表示整个网络的平均效率,通常用于描述整个网络的平均接近度和鲁棒性。网络效率也是衡量复杂网络中节点间信息交换的必要翻译 2021-05-10 21:43:14 · 2462 阅读 · 0 评论 -
论文笔记——加权K_Shell度邻域:一种从各种复杂的网络连接结构中识别有影响的传播者的一种新方法
Weighted kshell degree neighborhood: A new method for identifying the influential spreaders from a variety of complex network connectivity structures来自美国国立理工学院(是这么翻译的吧)发表在expert systems with applications的文章,这篇文章思路简洁易懂,实验内容也丰富,文章里表达的远远不止本博文所呈现的只言片语,想看原文的小伙翻译 2021-05-08 17:26:48 · 964 阅读 · 3 评论 -
论文笔记——通过组合经典中心性来识别影响力节点
Top infuencers can be identifed universally by combining classical centralities来自scientific reports上的一篇文章,该作者认为,在复杂网络上寻找有影响力的节点时,单独的中心性(single centrality)方法是不够的,有局限性的,故该文章使用了两个或多个中心性方法的公共值来寻找有影响力的传播者:即结合局部中心性和全局中心性,如特征向量中心性(eigenvector centrality),closene翻译 2021-04-05 18:20:15 · 916 阅读 · 0 评论 -
论文笔记——从全局角度出发识别网络中有影响力的节点
Identifying influential nodes in complex networks from global perspective又是一篇来自电子科大的论文,发布在Chaos, Solitons and Fractals期刊,该论文在识别有影响力节点时不仅考虑了节点自身的重要性,也同时考虑了图中所有节点的影响力。提出的方法自身重要性(self importance)其中,α是一个自身重要性的调节因子。nnn是节点个数。可以看出,节点的自身重要性与其度成正比。全局重要性节点的重翻译 2021-03-22 11:42:36 · 931 阅读 · 0 评论 -
论文笔记—— 一种用于复杂网络中识别影响力节点的广义重力模型
A generalized gravity model for influential spreaders identification in complex networks此文章作者来自电子科大,在识别有影响力节点的问题上,该作者提出了一种**广义重力模型**来为每个节点测量局部信息:节点的局部聚类系数以及节点的度。该模型中含有一个可调参数α,该参数为0时,提出的广义重力模型=重力模型(gravity model)。原文链接戳这里!.1、背景知识重力模型(gravity model)重力模型翻译 2021-02-28 20:05:05 · 1523 阅读 · 9 评论 -
论文笔记——InfGCN:用图卷积网络识别复杂网络中有影响的节点
InfGCN:用图卷积网络识别复杂网络中有影响的节点在本文中,我们提出了深度学习模型InfGCN的框架,以确定复杂网络中最有影响的节点。 首先,我们采样固定大小的邻居网络,并构造由每个节点的4个经典中心组成的特征向量。 接下来,我们将每个节点的邻居网络和特征向量馈送到一个图形卷积网络(GCN)层中进行表示学习,然后将三个完全连接(FC)层用于任务学习。 最后,将模型的输出与SIR仿真实验得到的地面真相进行了比较,以最小化负对数似然损失。 同时,我们对模型进行了预训练,以克服小网络数据不可靠的问题。1、翻译 2020-12-01 17:14:56 · 2260 阅读 · 18 评论