首页/论文/1606.05065

arXiv 1606.050652016-06-16cs.SIphysics.soc-ph

HEMI：超边缘多数影响力最大化

HEMI: Hyperedge Majority Influence Maximization

Varun Gangal, Balaraman Ravindran, Ramasuri Narayanam

备注：: 10 pages, Accepted for oral presentation at the Social Influence Analysis (SocInf) Workshop, IJCAI 2016

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文研究了超图上的影响力最大化问题。我们首先将独立级联（IC）模型推广到超图，证明了传统的影响力最大化问题仍然是次模问题。然后，我们提出了一个变种的影响力最大化问题（HEMI），其中一个寻求最大限度地提高超边的数量，其大多数节点的影响。我们证明了在所提出的扩散模型下HEMI是非次模的。

英文摘要：

In this work, we consider the problem of influence maximization on a hypergraph. We first extend the Independent Cascade (IC) model to hypergraphs, and prove that the traditional influence maximization problem remains submodular. We then present a variant of the influence maximization problem (HEMI) where one seeks to maximize the number of hyperedges, a majority of whose nodes are influenced. We prove that HEMI is non-submodular under the diffusion model proposed.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

采用新型初始化与评估方法的遗传算法求解超图中的影响最大化问题

Influence Maximization in Hypergraphs Using A Genetic Algorithm with New Initialization and Evaluation Methods

针对普通图无法捕捉高阶交互的影响最大化问题，提出整合节点与超边影响的超图独立级联模型，结合超图集体影响优化初始化、适应度函数与变异算子的遗传算法，在合成与真实超图上性能优于对比方法。

2024-05-15cs.NEcs.SI

超图的影响力最大化

Influence Maximization in Hypergraphs

复杂网络中的影响力最大化，即，近年来，通过为给定的传播过程选择K个种子节点来最大化受影响节点的大小已经引起了极大的关注。然而，超图中的影响力最大化问题，即利用超边来表示两个以上节点之间的相互作用，仍然是一个悬而未决的问题。本文提出了一种自适应的基于度的启发式算法，即，启发式度折扣（HDD），迭代地选择具有低影响重叠的节点作为种子，以解决超图中的影响力最大化问题。我们进一步扩展算法从普通的网络作为基线，并比较所提出的算法和基线的真实数据和合成超图的性能。结果表明，HDD在有效性和效率方面都优于基线。此外，在合成超图上的实验表明，HDD具有很高的性能，特别是在度分布不均匀的超图上。

2022-06-03cs.SI

超图聚类：一种模块化最大化方法

Hypergraph Clustering: A Modularity Maximization Approach

Robert Bosch Centre for Data Science and AI, IIT Madras（印度理工学院马德拉斯分校罗伯特·博世数据科学与人工智能中心）；Google, Inc.（谷歌公司）；The Ohio State University（俄亥俄州立大学）

超图聚类在网络分析、超大规模集成电路设计和计算机视觉等领域有着广泛的应用前景，因此超图聚类研究受到了越来越多的关注。在这项工作中，我们推广了超图聚类的模块化最大化框架。为此，我们引入了一个超图空模型，类似于无向图上的配置模型，以及与此模型一起工作的节点度保持减少。这是用来定义一个模块化函数，可以使用流行的快速鲁汶算法最大化。我们还提出了一个改进的聚类，通过重新加权削减超边在迭代的方式。我们的方法的有效性和效率在几个真实世界的数据集上得到了证明。

2018-12-28cs.LGcs.SIstat.ML

基于分层抽样高效生成反向可达集的超图影响最大化

Influence Maximization in Hypergraphs by Stratified Sampling for Efficient Generation of Reverse Reachable Sets

针对超图影响最大化中基于顶点算法忽略超边结构信息及抽样效率低的问题，提出 HyperIM 方法，利用顶点结构信息开发分层抽样生成反向可达集，在理论上加速传播并降低开销，实验证明其能显著减少运行时间与所需集合数，并大幅提升影响传播。

2024-06-04cs.DScs.SI

当社会影响力遇到项目推理

When Social Influence Meets Item Inference

用于产品推荐和病毒式营销的研究问题和数据采掘技术已经被广泛研究。现有的社交网络中的种子选择工作没有考虑电子商务商店中的产品推荐的效果。在本文中，我们研究的种子选择问题的病毒式营销，同时考虑社会影响力和项目推理（产品推荐）的影响。我们开发了一个新的模型，社会项目图（SIG），捕捉这两种效果的形式hyperedges。相应地，我们制定了一个种子选择问题，称为社会项目最大化问题（SIMP），并证明了SIMP的硬度。我们设计了一个高效的算法，称为Hyperedge-Aware Greedy（HAG）的性能保证，为SIMP和开发一个新的索引结构，称为SIG-索引，以加速计算的扩散过程中的HAG。此外，为了构建现实的SIG模型SIMP，我们开发了一个基于统计推断的框架，从数据中学习超边的权重。最后，我们对我们的提案进行了全面评估，并采用了各种基线。实验结果验证了我们的想法，并证明了所提出的模型和算法的有效性和效率超过基线。

2016-02-15cs.SI

增长超图中的边关联与链接预测

Edge Correlations and Link Prediction in Growing Hypergraphs

提出一种基于带噪复制的增长超图生成模型，推导其结构分布并给出可扩展拟合算法，在超图链接预测中以11个参数达到与大型神经网络相当的性能。

2025-08-18cs.SInlin.AOphysics.data-an

更多相关论文收起更多论文

超图中基于阈值模型的影响力最大化

Influence Maximization based on Threshold Model in Hypergraphs

本文提出超图集体影响力（HCI）理论框架，扩展消息传递方法描述阈值模型激活过程，设计HCI-TM算法同时考虑节点与超边激活以选择影响力最大化集合，在合成与真实超图中优于竞争算法，并可用于预测级联现象。

2023-11-22cs.SInlin.CD

HyDRA: 通过共聚类实现无损超图摘要

HyDRA: Lossless Hypergraph Summarization via Co-Clustering

Intesa Sanpaolo Innovation Center（Intesa Sanpaolo 创新中心）；Sapienza University of Rome（罗马智慧大学）；Intesa Sanpaolo AI Research（Intesa Sanpaolo 人工智能研究）

提出HyDRA，首个无损加权超图摘要框架，通过共聚类思想设计贪心算法，结合增量更新策略，实现80-93%的存储压缩，并支持直接查询和加速下游任务。

2026-06-18cs.SI

超图的近似k-覆盖：有效算法及应用

Approximate k-Cover in Hypergraphs: Efficient Algorithms, and Applications

给定一个加权超图$\mathcal{H}(V, \mathcal{E} \subseteq 2^V, w)$，近似$k$ -覆盖问题寻找$V$的一个大小为$k$的子集，该子集在$\mathcal{E}$中具有由\emph{sampling only a few hyperedges}加权的最大覆盖.这个问题已经出现在几个网络分析应用程序中，包括病毒式营销，中心性最大化和地标选择。尽管有许多努力，即使是最好的方法也需要$O(k n \log n)$空间复杂度，因此，不能在不牺牲形式保证的情况下扩展到当今的巨大网络。在本文中，我们提出了BCA，一个家庭的算法近似$k$覆盖，可以找到$(1-\frac{1}{e} -ε)$近似解决方案内的\emph{$O(ε^{-2}n \log n)$ space}。与具有相同保证的现有技术方法相比，这是空间上的$k$减少的一个因素。通过引入一种新的自适应采样方案（称为DTA），我们进一步使BCA在现实世界的实例中更加有效和鲁棒。

2019-01-23cs.DScs.SIphysics.soc-ph