کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4944354 | 1437984 | 2017 | 41 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Scalable and parallelizable influence maximization with Random Walk Ranking and Rank Merge Pruning
ترجمه فارسی عنوان
حداکثر کردن تاثیر با افزایش مجدد و موازی با رتبه بندی ردگیری تصادفی و برش ادغام رتبه
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
حداکثر سازی تاثیر، شبکه های اجتماعی، پردازش موازی،
ترجمه چکیده
در این مقاله، ما یک روش هرس موثر برای مسئله به حداکثر رساندن بر اساس راه رفتن تصادفی و ادغام رتبه پیشنهاد می کنیم. ایده کلیدی این است که به طور موثری گره های غیر قابل نفوذ را پیدا کرده و از آنها جدا کنید تا به طور چشمگیری میزان محاسبه را برای ارزیابی گسترش نفوذ کاهش دهید. نتایج تجربی ما نشان دهنده کارآیی روش پیشنهاد شده در مقایسه با روش های قبلی پیشرفته است. علاوه بر این، روش ما به راحتی قابل تنظیم می باشد، و در نتیجه سرعت بیشتری می گیرد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
In this paper, we propose an effective pruning method for the influence maximization problem based on Random Walk and Rank Merge. The key idea is to efficiently find and prune out uninfluential nodes in order to dramatically reduce the amount of computation for evaluating influence spread. Our experimental results demonstrate the efficiency of the proposed method compared to previous state-of-the-art methods. Additionally, our method is easily parallelizable, resulting in further speed up.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volumes 415â416, November 2017, Pages 171-189
Journal: Information Sciences - Volumes 415â416, November 2017, Pages 171-189
نویسندگان
Seungkeol Kim, Dongeun Kim, Jinoh Oh, Jeong-Hyon Hwang, Wook-Shin Han, Wei Chen, Hwanjo Yu,