2020-03-02 20:02 盼盼
基本传播模型 IC LT IM算法分类 贪心算法KK（2003） CELF（2007）https://www.cnblogs.com/aaronhoo/p/6548760.html DegreeDiscount（2009） 基于度数 中心度 MaxDegree 选择图中度数最大的K个度。但会有邻居重叠 SCG 基于社区 OASNET 基于社区的动态规划。假设社区是不联系的，但真实社区联系 CGA 基于社区的贪心 网络稀疏化 混合 HPG（KK+启发） 评价指标 效率 效果 论文 Low-dimensiona...
继续阅读 »2020-03-01 09:42 盼盼
贪心 （1）首先|S|=1，在所有点中选一个在IC模型下跑出感染的点数量最多的点加入S （此时跑了n趟IC） （2）再在剩下的点中选一个加入S后结果最好的点加入S （此时跑了n-1趟IC） （3）重复2，直到能S扩散的结果能覆盖所有点 IC （1）激活S中的所有节点，加入活集A（本轮被激活的所有点） （2）找到A的非活邻居集N（可能被传染的所有点），对于N中的每一个点，被传染的概率都为1-(1-Pa1,n)*(1-Pa2,n)。 （3）清空A （4）标记所有被传染的点，并放入A （4）重复2、3直到步骤2已...
继续阅读 »2020-03-01 09:18 盼盼
该算法每个节点的阈值设为 0.5 用Buv表示节点u对其邻居节点的影响力：Buv=1/Lin；Lin（v）-------点v的入度。 ２、LT传播模型算法实现 linear_threshold.py (LT传播模型算法) Implement linear threshold models 社交网络影响力最大化 传播模型线性阈值（LT）模型算法实现 def linear_threshold(G, seeds, steps=0): #LT线性阈值算法 """""" Parameters ----...
继续阅读 »2020-02-29 15:23 盼盼
首先，我们将社交网络抽象为一个有向图 ，其中， 为节点的集合， 是边的集合，网络中的节点有两个状态激活（active）与未激活（inactive）。 在 独立级联模型 中，每一条有向边 都有一个对应的概率值 ，这表明已激活节点u通过边 使得未激活节点 激活的概率。在 的时刻，选定一个节点集合 未激活状态，其余未激活。在 的任意时刻 ，每一个在 时刻激活的节点 都会尝试通过边 去激活其未激活的邻居节点 ，并且有 的概率激活 。所有 的激活尝试都是独立事件，如果激活成功则 将参与 时刻的激活行为，未成功则 在...
继续阅读 »
