Influence Maximization问题描述
在给定的网络中给定初始活跃节点的个数,影响力最大化问题为找到固定个数的活跃节点集,经由特定的传播模型,使得最终活跃节点的数目达到最大。
Top-k影响节点最大化问题
图G=(V,E),信息可以在节点之间按照一定的概率传播。考虑到信息通过社交网络G(一个有向图)传播的可操作性模型,我们认为一个独立的节点的状态是active或者inactive。节点可以从inactive变成active状态,但不能从相反方向转变。
IC 和 LT 经典的扩散模型
独立瀑布模型IC
对于V的每个顶点v,和它的邻居节点w,有一条边e(v,w)存在,p(v,w)是边的权重,这意味着信息从v传播到w的概率。如果在时刻time t, v是active的状态并且w是inactive的,那么v将尝试着以p(v,w)去激活w,如果这个过程成功了,那么在t+1时刻w就成为了active状态。如果w的所有active邻居的尝试都失败了,那么w仍然是inactive,并且无论这一次过程的结果如何,将来的时刻v不会再去尝试通过边e(v,w)激活w。
线性阈值模型LT
对于每一个顶点v,他都有一个阈值 θ v θ_{v} θv。如果对于这些节点没有任何先验知识,那么这个阈值是从区间[0,1]中随机选择的。v的每个邻居w,对应边e(v,w)的概率p(v,w)。并且这些概率满足 ∑ w ∈ N ( v ) P ( v , w ) ≤ 1 ∑_{w∈N(v)}P(v,w)≤1 ∑w∈N(v)P(v,w)≤1,其中N(v)是v的邻居节点的集合。如果在时刻time t,v是inactivate且v的一些邻居是activate的。如果这些邻居满足 ∑ w ∈ N ( v ) , w − i s − a c t i v a t e P ( v , w ) ≥ θ v ∑_{w∈N(v),w-is-activate}P(v,w)≥θ_{v} ∑w∈N(v),w−is−activateP(v,w)≥θv则t+1时刻v将会是activate状态。