社区感知的影响力最大化框架

Research Paper#Social Network Analysis, Influence Maximization, Community Detection🔬 Research|分析: 2026年1月3日 18:22•
发布: 2025年12月30日 04:05
•
1分で読める
•ArXiv

分析

本文解决了影响最大化（IM）算法的一个关键限制：忽略社区间的影响力。通过引入 Community-IM++，作者提出了一个可扩展的框架，该框架明确地模拟跨社区扩散，从而提高了在真实社交网络中的性能。对效率和跨社区覆盖范围的关注使得这项工作与病毒式营销和虚假信息控制等应用高度相关。
引用 / 来源
查看原文
"Community-IM++ achieves near-greedy influence spread at up to 100 times lower runtime, while outperforming Community-IM and degree heuristics."
A
ArXiv2025年12月30日 04:05
* 根据版权法第32条进行合法引用。
较旧

Duolingo CEO tries to walk back AI-first comments, fails

较新

What I learned from looking at every AI/ML tool I could find

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv