一种基于k-核的社会网络影响最大化算法
社会网络中影响最大化问题是指在特定传播模型下,获取一个指定大小的节点集合,使得该集合在网络中的聚合影响力最大.针对贪心算法运用于大规模社会网络时存在效率低下且不可扩展的问题,文中提出基于核数层次特征和影响半径的启发式算法——核覆盖算法(Core Covering Algorithm,CCA).该算法首先引入k-核概念,基于k-核分解求出每个节点的核数,然后根据核数分布的层次性,引入节点的影响半径参数,最后综合核数和度数两个属性,找出影响力节点集合.文中在两个数据集和两种传播模型上进行了实验,结果表明:(1)在传播概率较大的独立级联模型(Independent Cascade Model,IC)下,CCA能取得比现有启发式算法更优的影响效果;(2)在三价(TRIVALENCY Model,TR)模型下,CCA的表现也同样优于其他启发式算法;(3)与其他启发式算法相比,CCA的运行时间更少.
社交网络、影响最大化、独立级联模型、k-核、社会计算
38
TP393(计算技术、计算机技术)
National Natural Science Foundation of China under Grant Nos.61272531,61202449,61272054,61370207,61370208,61300024,61320106007,61472081,National Key Basic Research Program 973 Program of China under Grant No.2010CB328104,National High Technology Research and Development Program 863 Program of Ch61272531,61202449,61272054,61370207,61370208,61300024,61320106007,61472081;国家“八六三”高技术研究发展计划项目2013AA013503;国家“九七三”重点基础研究发展规划项目基金2010CB328104;江苏省科技计划项目SBY2014020139-10;高等学校博士点学科专项科研基金2011009213002;江苏省网络与信息安全重点实验室BM2003201
2015-04-30（万方平台首次上网日期，不代表论文的发表时间）
共11页
238-248
