Influence Maximization in Big Networks: An Incremental Algorithm for Streaming Subgraph Influence Spread Estimation
-
Weixue Lu, Peng Zhang, Chuan Zhou, Chun-Yi Liu, Li Gao
-
IJCAI 2015
概要
-
小さい部分グラフに分割する
-
挑戦: 部分グラフ間のシミュレーションが重なる
提案手法
-
M=シミュレーション回数
-
N=分割個数
-
$$ (V_i)_i $$: Vの被覆
-
$$ (E_i)_i $$: Eの分割
-
X_r = コインフリッピング結果rを表す01値ベクトル
-
$$ G_i $$からスナップショット$$ X_1^{(i)}, \ldots, X_r^{(i)}, \ldots, X_M^{(i)} $$
-
$$ X_r = \bigoplus_{1 \leq i \leq N} X_r^{(i)} $$
-
$$ \sigma(S) = \sum_{r^{(1)}} q(r^{(1)}) \cdots \sum_{r^{(N)}} q(r^{(N)}) |N(S;X_r)| $$
-
各部分グラフ1,…,Nについていくつか生成すると,その全ての組合せを考慮できる
計算方法
-
$$ \mathcal{C}_j^{(i)} = \{C_{jk}^{(i)}\} $$
-
$$C_{jk}^{(i)}$$ = i-th部分グラフに関するj-thスナップショットのk-th SCC
-
結び
-
2列のスナップショットに対して↓のような操作を実行
-
$$ \mathcal{C}_1 = \{C_{11}, C_{12}, \ldots, C_{1\alpha_1}\} $$
-
$$ \mathcal{C}_2 = \{C_{21}, C_{22}, \ldots, C_{2\alpha_2}\} $$
-
$$ G_1 \oplus G_2 = (V_1 \cup V_2, E_1 \cup E_2) $$
-
被っていたら併合,被っていないなら別にする
-
(#スナップショット)^2 = M^2 個のスナップショットができる
影響力推定
-
(#スナップショット)^(#部分グラフ) = $$ M^N $$ 個のスナップショットが出来る
-
指数的なので多すぎ
-
一部だけ選びたい
-
i.i.d.だと良い
-
普通の推定: $$ \frac{1}{M}\sum_{1 \leq i \leq M} g_{i,i,\ldots,i}(S) $$
-
全部i番目スナップショットの代わりにちょっと変えると精度が上昇
実験
-
|E|≦1M
-
p_e = 0.01
-
影響最大化が速くなったよ
まとめ
-
手法は微妙そうだけど,アイデアは良い
-
実験のグラフが小さい
最終更新:2015年10月08日 02:33