论文笔记 2014-Influence Maximization-Near-Optimal Time Complexity Meets Practical Efficiency

最新推荐文章于 2024-03-13 15:16:05 发布
最新推荐文章于 2024-03-13 15:16:05 发布
阅读量2.6k 收藏
点赞数
文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42200096/article/details/121629158
版权
这篇论文笔记详细介绍了TIM算法的两步过程，包括节点选择策略和参数预测theta的计算。通过定理1证明了算法的有效性，并探讨了如何使用节点的影响力值来近似整个种子集的影响力。同时，文章讨论了随机种子集S*在预测中的应用，以及TIM+的改进方法，旨在提高实际应用中的影响力最大化效果。
摘要由CSDN通过智能技术生成

这里写自定义目录标题

论文笔记 2014-Influence Maximization-Near-Optimal Time Complexity Meets Practical Efficiency

TIM 两步

1、得到theta值（计算公式）
2、生成theta个RR集合，并且节点选择算法产生种子集合。

节点选择算法

节点选择
算法有效的原理：
定理1：S的影响力大小与S覆盖RR集合的数量有关。所以才可以使用该算法。

在这里插入图片描述
只要theta满足一定的值，就能得到一个保证近似的解：
在这里插入图片描述
在这里插入图片描述

OPT是最K个种子集的最优解。无法得到。<

最低0.47元/天 解锁文章
weixin_42200096
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Influence-Maximization:社交网络中的Top-K影响力节点
05-09
完整版本我们的论文的完整版本可以在找到。代码要运行我们的代码，请输入以下命令： g++ Greedy++.cpp -o Greedy++./Greedy++ [Input file] [Output File] [Top-K, optional, default=20] [Directed or Undirected ...
awesome-influence-maximization-papers
05-27
影响力最大化和学习论文 *图片来自影响力最大化和影响力学习论文的列表，基于他们所依赖的数据类型，目标和约束条件而组织： 静态网络 时间限制 位置限制 主题约束 竞争的 动态网络 真相级联 适应性强 影响学习 ...
论文笔记《Influence Maximization: Near-Optimal Time Complexity Meets Practical Efficiency》
zuolixiangfisher的博客
06-07 1171
摘要 给定一个社交网络 GGG 和一个常数 kkk，影响最大化问题要求在预定义的扩散模型下，GGG 中的 kkk 个节点（直接和间接）影响最大数量的节点。该问题在病毒营销中发现重要的应用，并且已经在文献中进行了广泛的研究。现有的影响最大化的算法，或者为实际效率而进行的贸易近似保证，反之亦然。特别是，在突出的独立级联 (IC) 模型或线性阈值 (LT) 模型下实现常数因子近似的算法中，没有一种算法可...
influence maximization
dianshilu6068的博客
12-04 353
Robust Influence Maximization 首先简要介绍一下这个问题：在一个社交网络图中寻找固定数量的节点，使得这些节点对所有节点的影响值尽可能的大。这个问题由于在病毒式营销，谣言监控，舆情分析等活动之中有巨大的应用，所以在过去的几十年，已经被广泛的研究过了。举个例子:一家化妆品公司想要通过送给一些用户免费产品的形式来推广产品，这些用户如何选择就可以采用解决Influe...
Influence Maximization影响力最大化
travalscx的博客
07-02 6175
在现代社会，信息是最重要的。如果目前我们有了一份信息，而我们想要 最大化地传播信息，则我们得考虑如何选择切入点，选择哪些人作为初始传播 的节点，可以使全网受到信息的影响最大。 一个公司想向市场推广一个新的产品，希望它能被网络 中的大部分人群所接受。公司计划初始化地把一小部分人群作为目标人群，然 后向他们派送免费的产品样本(产品非常的昂贵，所以公司要限制预算，仅仅只 能选择一小部分人群派发)。公司...
Influence Maximazation
weixin_30622107的博客
07-30 163
　　Influence Maximazation is the problem of finding a small subset of nodes(seed nodes)in a social network to maximize the spread of influence . 　　Domingos and Richardson are the first to study inf...
Influence Maximization with Python（一）
梦否
01-18 900
文章目录1. 前言2. 经典算法2.1 贪心算法2.1.1 Independent Cascade独立级联 1. 前言 一直以来都想做一个全篇的总结，但是其实自己在IM中还才处于起步阶段，所以还做不到自己预期的关于IM的全篇总结。在这篇文章中，简单的对现有的解决IM问题的经典算法进行一个汇总。 2. 经典算法 2.1 贪心算法 首先看下贪心算法的伪代码： 【注】上面算法摘自论文：《Positive opinion maximization in signed social networks》 当然原始论文
matlab代码影响-DiffuGreedy-Influence-Maximization:DiffuGreedy影响力最大化
05-22
重现论文分析的代码和说明 资料夹结构 根文件夹：代码，数据，图形 代码：包含此文件夹的内容和的代码。 您还将需要和的代码。 PMIA.py和runIAC.py取自python。 数据->初始数据：包含来自total.txt和graph_170w_1...
influence-maximization-master.zip_686732.com_DegreeDiscount_infl
07-14
影响力最大化算法，python实现，包含多个算法
Polite Water-Filling for Weighted Sum-Rate Maximization in MIMO B-MAC Networks Under Multiple Linear Constraints
02-09
Optimization under multiple linear constraints is important for practical systems with individual power constraints, per-antenna power constraints, and/or interference constraints as in cognitive ...
Influence maximization in social networks based on TOPSIS
qq_59482564的博客
03-09 902
识别对新闻和消息传播有影响力的用户是社交网络分析中最重要的主题之一。这些网络中传播过程的成功取决于有影响力的用户的选择和指定机制。除了选择有影响力的用户外，该机制还应考虑所选用户之间的距离，以确保最小的重叠和最大的网络更广泛区域的覆盖。同时实现这两个目标可能是矛盾的。在本文中，我们提出了一种使用理想解决方案相似度偏好顺序技术（TOPSIS）方法来选择有影响力的用户集的新方法，该方法旨在通过考虑上述两个目标来提出解决方案。
影响力最大化与优化算法结合—Influence maximization in social networks based on discreteparticle swarm optimization
lslslslslss的博客
12-17 1012
文章名称：《Influence maximization in social networks based on discreteparticle swarm optimization》 中文翻译——《基于离散粒子群优化的社交网络影响最大化算法》 一、目的 解决影响力最大化问题最经常采用的就是传统的贪心算法，但是贪心算法十分耗时，本文将粒子群优化算法与影响力最大化算法结合，提出了一个基于离散粒子群优化的社交网络影响最大化算法来高效地解决影响力最大化问题。 二、本文创新点 ...
论文笔记——Influence Maximization on Undirected Graphs: Toward closing the (1 − 1/e) Gap
qq_37730871的博客
08-20 527
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
论文推荐：Continuous Influence Maximization
AI_Conf的博客
12-29 245
推荐理由：假设商家正通过一个社交网络引入一个新产品，并知道网络中每个用户的购买概率与相应折扣的函数。那么，应该如何向这些社交网络用户提供折扣，以便在给定的预算下，使产品的购买率达到预期的最大化？虽然影响最大化已经被广泛探索，但该问题仍无法被现有方法所解答。在本文中，作者对这个问题进行了系统的解决。作者提出了一般的连续影响最大化问题，研究了其本质属性，并发展了一般的坐标下降算法框架以及实际实现的工程技术。作者的研究不假设任何具体的影响力模型，因此具有一般性和原则性。同时，以目前最流行的触发模型为具体实例，作者
A survey on influence maximization models
最新发布
qq_59482564的博客
03-13 882
影响力最大化是社交网络分析中的一个重要研究领域，研究人员关注的是检测有影响力的节点。有影响力节点的检测在计算机科学、舆论传播、政治运动或经济学等多个学科中引起了极大的兴趣，在这些学科中，系统通常被建模为图形。影响力最大化问题被证明是 NP 困难的。这种计算复杂性由两个主要因素证明是合理的。第一个因素是社交网络的重要规模。TikTok 和 Facebook 等现代社交网络的用户数量达到了前所未有的水平。动态社交网络，其拓扑结构或/和信息内容能够发展，代表第二个因素。
文献阅读（23）TKDE2018-Influence maximization on social graphs：A survey
CSDNTianJi的博客
09-17 713
本文是对《Influence maximization on social graphs：A survey》一文的浅显翻译与理解，如有侵权即刻删除。
influence maximization 第二弹
dianshilu6068的博客
12-04 487
Robust Influence Maximization 首先简要介绍一下这个问题：在一个社交网络图中寻找固定数量的节点，使得这些节点对所有节点的影响值尽可能的大。先对这个问题给出形式化的定义：给一个有向图G = (V,E) ，V代表节点，E代表有向边，每一条边有一个权值 ∈ [0,1]，代表源点对终点的影响因子(源点有多大的几率对终点产生影响)。定义参数向量θ=( ) e∈E 代...
用python复现一下论文Influence maximization in social networks based on TOPSIS 中的方法
qq_33014391的博客
06-08 1377
开通博客的第一天☺ 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体验； 在创作...
《大数据》2015年第3期“研究”——社交网络影响力传播研究（下）
weixin_45585364的博客
11-11 1018
社交网络影响力传播研究陈卫（微软亚洲研究院 北京 100080）摘要：随着互联网和大数据的研究应用日益广泛，对社交网络影响力传播的研究成为数据挖掘和社交网络分析中的热点。...
VBI-MRF模型提升图像分割精度：融入空间信息的统计方法
在图像分割这一关键领域，本文介绍了一种新颖的统计模型——VBI-MRF（Variational Bayes Inference with Markov Random Field）。传统的图像分割方法通常依赖于高斯分布假设，以求得最大后验概率（MAP）估计，然而，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值