Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Identifying Well-Connected Communities in Real-World and Synthetic Networks Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

New Seeding Strategies for the Influence Maximization Problem

verfasst von : Seok-Hee Hong, Juan Pablo Bonilla Ataides, Rowena Kok, Amyra Meidiana, Kunsoo Park

Erschienen in: Complex Networks & Their Applications XII

Verlag: Springer Nature Switzerland

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We present two new seeding strategies for the Influence Maximization Problem for Viral Marketing, based on graph connectivity and spectral graph theory. Specifically, the first approach CVSP uses the cut vertices and the separation pairs as the starting seeds. The second approach ER uses the vertex ranking based on the effective resistance values of the incident edges. CVSP and ER are efficient, and can be implemented in linear and near linear time, respectively.
Experiments using the Independent Cascade diffusion model with real-world data sets show that our new seeding strategies perform significantly better than the existing methods, such as centrality measures, k-core and the state-of-the-art IMM, in particular for the scale-free networks with globally sparse, locally dense clusters with small diameters, in the final influence spread. Moreover, visual analysis enables more refined comparison between the methods, demonstrating that our methods have more globally wide influence spread pattern than other methods with locally dense influence spread pattern.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel On Centrality and Core in Weighted and Unweighted Air Transport Component Structures
Nächstes Kapitel Effects of Homophily in Epidemic Processes
Literatur
1.
Batagelj, V., Mrvar, A., Zaveršnik, M.: Partitioning approach to visualization of large graphs. In: GD 1999, pp. 90–97 (1999)
2.
Borgs, C., Brautbar, M., Chayes, J., Lucier, B.: Maximizing social influence in nearly optimal time. In: SODA 2014, pp. 946–957 (2014)
3.
Chen, D., Lü, L., Shang, M.S., Zhang, Y.C., Zhou, T.: Identifying influential nodes in complex networks. Phys. A 391(4), 1777–1787 (2012)CrossRef
4.
Domingos, P., Richardson, M.: Mining the network value of customers. In: SIGKDD 2001, pp. 57–66 (2001)
5.
Gui-sheng, Y., Ji-jie, W., Hong-bin, D., Jia, L.: Intelligent viral marketing algorithm over online social network. In: ICNDC 2011, pp. 319–323 (2011)
6.
Hopcroft, J., Tarjan, R.: Algorithm 447: efficient algorithms for graph manipulation. Commun. ACM 16(6), 372–378 (1973)CrossRef
7.
Hopcroft, J.E., Tarjan, R.E.: Dividing a graph into triconnected components. SIAM J. Comput. 2(3), 135–158 (1973)MathSciNetCrossRef
8.
Iyer, S., Killingback, T., Sundaram, B., Wang, Z.: Attack robustness and centrality of complex networks. PLoS ONE 8(4), e59,613 (2013)
9.
10.
Kaplan, A.M., Haenlein, M.: Two hearts in three-quarter time: how to waltz the social media/viral marketing dance. Bus. Horiz. 54(3), 253–263 (2011)CrossRef
11.
Kempe, D., Kleinberg, J., Tardos, É.: Maximizing the spread of influence through a social network. In: SIGKDD 2003, pp. 137–146 (2003)
12.
Kempe, D., Kleinberg, J., Tardos, É.: Influential nodes in a diffusion model for social networks. In: ICALP 2005, pp. 1127–1138 (2005)
13.
Kempe, D., Kleinberg, J., Tardos, É.: Maximizing the spread of influence through a social network. Theory Comput. 11(4), 105–147 (2015)MathSciNetCrossRef
14.
Kitsak, M., et al.: Identification of influential spreaders in complex networks. Nat. Phys. 6(11), 888–893 (2010)CrossRef
15.
Leskovec, J., Adamic, L.A., Huberman, B.A.: The dynamics of viral marketing. ACM Trans. Web (TWEB) 1(1), 5–es (2007)
16.
Leskovec, J., Krause, A., Guestrin, C., Faloutsos, C., Faloutsos, C., VanBriesen, J., Glance, N.: Cost-effective outbreak detection in networks. In: SIGKDD 2007, KDD 2007, pp. 420–429 (2007)
17.
Liu, J.G., Lin, J.H., Guo, Q., Zhou, T.: Locating influential nodes via dynamics-sensitive centrality. Sci. Rep. 6(1), 1–8 (2016)
18.
Liu, Y., Tang, M., Zhou, T., Do, Y.: Core-like groups result in invalidation of identifying super-spreader by k-shell decomposition. Sci. Rep. 5(1), 1–8 (2015)
19.
Long, C., Wong, R.C.W.: Viral marketing for dedicated customers. Inf. Syst. 46, 1–23 (2014)CrossRef
20.
Lü, L., Chen, D., Ren, X.L., Zhang, Q.M., Zhang, Y.C., Zhou, T.: Vital nodes identification in complex networks. Phys. Rep. 650, 1–63 (2016)MathSciNetCrossRef
21.
Marner, M.R., Smith, R.T., Thomas, B.H., Klein, K., Eades, P., Hong, S.H.: Gion: interactively untangling large graphs on wall-sized displays. In: GD 2014, pp. 113–124 (2014)
22.
Richardson, M., Domingos, P.: Mining knowledge-sharing sites for viral marketing. In: SIGKDD 2002, pp. 61–70 (2002)
23.
24.
Spielman, D.A., Srivastava, N.: Graph sparsification by effective resistances. SIAM J. Comput. 40(6), 1913–1926 (2011)MathSciNetCrossRef
25.
26.
Tang, Y., Shi, Y., Xiao, X.: Influence maximization in near-linear time: a martingale approach. In: SIGMOD 2015, pp. 1539–1554 (2015)
27.
Wasserman, S., Faust, K., et al.: Social network analysis: methods and applications (1994)
28.
Zhu, T., Wang, B., Wu, B., Zhu, C.: Maximizing the spread of influence ranking in social networks. Inf. Sci. 278, 535–544 (2014)MathSciNetCrossRef
Metadaten
Titel
New Seeding Strategies for the Influence Maximization Problem
verfasst von
Seok-Hee Hong
Juan Pablo Bonilla Ataides
Rowena Kok
Amyra Meidiana
Kunsoo Park
Copyright-Jahr
2024
Buch
Complex Networks & Their Applications XII

Print ISBN: 978-3-031-53498-0

Electronic ISBN: 978-3-031-53499-7

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-53499-7_23

Premium Partner

    Bildnachweise