.png){kind=icon}
返回
Pruning-enabled dynamic influence maximization using antlion optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113406.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
影响最大化（IM）是社交网络分析中广泛研究的课题，它为选择顶级节点（种子集）以最大化影响提供了可靠依据。IM有几个实际应用，如广告、政治活动、利润最大化等。现有文献提出了几种IM算法，包括受自然启发的算法。此外，IM中的大多数算法考虑的是静态社交网络。现有研究显示，蚁狮优化（ALO）以其探索能力而闻名，而IM领域的现有工作并未利用它。此外，重叠影响会降低网络中的整体影响。为解决上述问题，针对动态社交网络，本研究提出了一种基于ALO的IM新算法（DALO-IM）。该策略利用了网络动态遍历过程中的先前计算结果。此外，本研究提出了一种基于剪枝的策略来克服重叠影响的问题。实验在八个数据集上进行。结果分析表明，使用所提出算法的影响高于表现最佳的基准算法。此外，本研究进行了消融研究以展示所建议的剪枝策略的有效性。
Keyword:
Social network analysis
Influence maximization
Dynamic social network
Antlion optimization
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
暂无机构信息
引用论文
Influence maximization considering fairness: A multi-objective optimization approach with prior knowledge考虑公平的影响最大化: 一种基于先验知识的多目标优化方法
PREAI
分享收藏Scientific collaboration networks. I. Network construction and fundamental results科学合作网络。 I.网络建设和基本成果
PREAI
分享收藏LAPSO-IM: A learning-based influence maximization approach for social networksLAPSO-IM: 一种基于学习的社交网络影响力最大化方法
PREAI
分享收藏A Multi-Objective Crow Search Algorithm for Influence Maximization in Social Networks.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容