[论文解读] Influence maximization on correlated networks through community identification.

Didier A. Vega‐Oliveros, Luciano da Fontoura Costa+1 more|arXiv (Cornell University)|May 1, 2017

Complex Network Analysis Techniques被引用 4

一句话总结

本文提出一种基于社区的算法，用于识别相关网络中的关键传播者，利用度-度相关性实现与贪心方法相当的性能，但计算成本显著降低。该方法通过识别社区并选择其中的高阶节点来最大化信息传播，其传播规模在统计上与贪心方法无异，同时效率远超后者。

ABSTRACT

The identification of the minimal set of nodes that maximizes the propagation of information is one of the most important problems in network science. In this paper, we introduce a new method to find the set of initial spreaders to maximize the information propagation in complex networks. We evaluate this method in assortative networks and verify that degree-degree correlation plays a fundamental role on the spreading dynamics. Simulation results show that our algorithm is statistically similar, in terms of the average size of outbreaks, to the greedy approach. However, our method is much less time consuming than the greedy algorithm.

研究动机与目标

• 解决在复杂网络中识别最小关键节点集合以最大化信息传播的挑战。
• 研究度-度相关性在同配网络中对信息传播动态的影响。
• 开发一种计算高效的贪心算法替代方案，用于影响最大化。
• 从传播规模和计算效率两个方面评估所提方法的性能。

提出的方法

• 该方法使用社区检测算法识别网络中的社区，以定位关键节点。
• 基于检测到的社区内的高阶节点选择初始传播者，以利用局部连接模式。
• 该方法利用度-度相关性，优先选择更可能触发大规模级联传播的节点。
• 算法采用易感-感染（SI）模型评估传播过程，以模拟信息在网络中的传播。
• 在平均传播规模和执行时间方面，与贪心算法进行性能对比。

实验结果

研究问题

• RQ1 同配网络中的度-度相关性如何影响信息传播的动力学？
• RQ2 基于社区的方法能否实现与贪心算法相当的影响最大化性能？
• RQ3 在相关性条件下，影响最大化中的准确率与计算效率之间存在何种权衡？
• RQ4 社区结构如何影响最优初始传播者的选取？

主要发现

• 所提方法的平均传播规模在统计上与贪心算法无显著差异。
• 与贪心方法相比，该算法显著降低了计算时间，使其适用于大规模网络。
• 度-度相关性在塑造信息传播动力学方面起着根本性作用。
• 基于社区的传播者选择方法能有效捕捉高阶节点在相关网络结构中的影响力。