.png){kind=icon}
返回
Heuristic centrality methods challenge greedy optimization in influence maximization
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-47299-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
影响最大化是通过从社交网络中选择少量节点以最大化信息传播的过程。许多算法设计有坚实的理论基础，但对其实际性能了解不足。本文对三种范式下的八种代表性算法进行了广泛的实证分析：贪心优化（CELF++）、基于采样的近似（RIS、IMM）和结构启发式（Degree、PageRank、Betweenness、Dangling和GCCDC）。我们在独立级联模型下，对包含200、400、600、800和1,000个节点的Facebook社交网络子图进行了10次独立运行测试，以获得统计上可靠的结果。研究发现理论保证与实际性能存在显著差异：尽管CELF++实现了$$(1-1/e)$$的近似保证，但仅达到采样算法可实现的11.2%传播效果；这种差距可能源于蒙特卡洛模拟不足和实现限制，而非算法根本缺陷。在所有网络规模中，采样方法表现接近最优（IMM: $$955.24 \pm 0.74$$；RIS: $$951.27 \pm 2.22$$）。值得注意的是，PageRank实现了IMM传播效果的96.3%，同时比后者快794倍，进一步证明复杂算法并非必要。在新的中心性指标中，Betweenness与PageRank表现相当，而Dangling和GCCDC与Degree表现相当。所有性能差异均显著不同。实验结果表明，某些简单启发式方法在实际中可超越高度优化算法，且理论保证并不总是与现实相符。
Keyword:
Engineering
Mathematics and computing
Influence maximization
Social network analysis
Algorithm comparison
Independent cascade model
Viral marketing
Science
Humanities and Social Sciences
multidisciplinary
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
28.3W
被引数:
83.5W
机构
引用论文
Shuxin Yang a, Quanming Du a, Guixiang Zhub,∗, Jie Cao c, Lei Chen e, Weiping Qin d, Youquan Wang b杨树新a，杜全明a，桂香朱虎，∗，曹杰c，陈磊e，秦卫平d，王友泉b.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Large-scale influence maximization with the influence maximization benchmarker suite大规模影响最大化与影响最大化基准测试套件
PREAI
分享收藏分享收藏Cost-effective outbreak detection in networksProceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining
OAAI
Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
OAAI分享收藏
查看更多内容