「Scalable Influence Maximization for Prevalent Viral Marketing in Large-Scale ...」の編集履歴(バックアップ)一覧はこちら
追加された行は緑色になります。
削除された行は赤色になります。
Scalable Influence Maximization for Prevalent Viral Marketing in Large-Scale Social Networks
- Wei Chen, Chi Wang, Yajun Wang
- In KDD
- 2010
* 概要
- MIAモデルというのを使ってinfluence maximizationを高速化
* アルゴリズム
** maximum influence paths (MIP)
- v->uへの伝搬は最短経路だけを考える
- しきい値θ以下の伝搬は無視する
-- Dijkstraの途中で打ち切る
** maximum influence arborescence model
influence spreadを以下で近似
$$ \sigma_M(S) = \sum_{v \in V}ap(v,S,MIIA(v,\theta)) $$
- MIIA(v,θ): vからの最短経路木、ただしθ以下の確率は打ち切ってある
- ap(,,): Sがvをactivateする確率を最短経路木に沿って求める関数
- 再計算とかに工夫を入れて高速化
* 実験
** グラフ
- NetHEPT,DBLP,Epinions,Amazon
-- |V|=15K~655K,|E|=31K~2M
** 伝播モデル
- weighted cascade
- trivalency
** 結果
- 良い、割りと速い
- メモリ使用量(最短経路木の大きさ)
-- O(√1/θ)っぽい
- 実行時間
-- O(1/θ)っぽい
* 結論
- 並列化
* まとめ
- なんかすごそう感あるアルゴリズムだったが、最短経路木だけでいいのか?と思い始めた