مقاله #918

با توجه به گراف اجتماعی، مساله ای که در حداکثرسازی نفوذ باید حل شود این است که مجموعه ای از راس‌ها را مشخص کنیم که گسترش نفوذ را به حداکثر می رساند. در حالی که برخی مطالعات اخیر، مساله حداکثرسازی نفوذ را مورد بررسی قرار داده اند، با این وجود، این کارها به طور کلی برای استفاده عملی در شبکه های اجتماعی بزرگ مقیاس، بسیار وقت گیر هستند. در این مقاله، یک فریم ورک جدید به نام CIM (حداکثرسازی نفوذ مبتنی بر جامعه) را برای مقابله با مشکل جداکثرسازی نفوذ با تاکید بر مساله بهره وری زمان، ایجاد کرده ایم. فریم ورک پیشنهادی ما، CIM، شامل سه فاز می شود: (1) تشخیص جامعه (2) تولید کاندیدا (3) انتخاب بذر. به طور مشخصی، فاز (1) ساختار جامعه را کشف می کند. فاز (2) از اطلاعات جوامع برای محدود کردن کاندیداهای بذر ممکن استفاده می کند و فاز (3) راس های بذر را از مجموعه کاندیداها، نهایی سازی می کند. با بهره وری از ویژگی های ساختاری جامعه، قادر هستیم که از اطلاعات همپوشانی شده دوری کنیم و به این ترتیب، به طور موثری، تعداد بذرها را در جهت حداکثرسازی انتشار اطلاعات، انتخاب نماییم. نتایج آزمایشی، هم در مجموعه داده های مصنوعی و هم واقعی، نشان می دهد که الگوریتم CIM پیشنهاد شده، الگوریتم هایِ مطابقِ آخرین پیشرفت های علمی را، به طور قابل ملاحظه ای از نظر بهره وری و مقیاس پذیری، تقریبا بدون هیچ مصالحه تاثیرگذاری، بهبود می بخشد.