摘要: 针对现有社交网络影响最大化算法影响范围小和时间复杂度高的问题,提出一种基于独立级联模型的k-核过滤算法。首先,提供一种节点影响力排名不依赖于整个网络的现有影响力最大化算法;然后,通过预训练k,找到对现有算法具有最佳优化效果且与选择种子数无关的k值;最后,通过计算图的k-核过滤不属于k-核子图的节点和边,在k-核子图上执行现有影响最大化算法,达到降低计算复杂度的目的。K-核过滤算法对不同算法有不同的优化效果,在不同规模数据集上进行了实验:与PMIA算法相比,影响范围提高高达13.89%,执行时间降低高达8.34%;与CCA算法相比,影响范围没有太大差异,但执行时间降低高达28.5%;与Degree算法相比,影响范围提高高达21.81%,执行时间降低高达26.96%;与Random算法相比,影响范围提高高达71.99%,执行时间降低高达24.21%;进一步提出了一种新的GIMS算法比现有优秀算法PMIA和IRIE影响范围更大,执行时间保持在秒级别,并且GIMS算法的k-核过滤算法与原算法影响范围和执行时间差异不大。实验结果表明,k-核过滤算法能够增大现有算法选择种子节点集合的影响范围,并且减少执行时间;GIMS算法具有更好的影响范围效果和执行效率,并且更加鲁棒。
中图分类号: