N-hop influence maximization problem under deterministic linear threshold model

Etki Enbüyükleme Problemi, bir sosyal ağ içinde etkinin yayılmasını en üst düzeye çıkarmak için bir dizi son derece etkili düğüm bulur. İnsanların doğrudan (1-adım), 2-adım ve 3-adım komşuları üzerinde etkileri olabileceğini düşünüyoruz. Genişletilmiş etki geçişliliğine sahip Etki Enbüyükleme Problemi, n-adım Etki Enbüyükleme Problemi olarak adlandırılır. Bu yazıda, bahsedilen problemi belirlenmiş doğrusal eşik modeli altında inceliyoruz ve sezgisel bir çözüm buluyoruz. Önerdiğimiz sezgisel modelimizde, genişletilmiş çekirdek küme algoritması ve yerel arama olmak üzere iki bölüm var. Genişletilmiş çekirdek küme algoritmasının temel amacı, bir düğüm kümesi oluşturmak ve onu verilen kümedeki düğümleri değiştirerek iyileştirmeye dayanan yerel aramaya göndermektir. Aday düğümleri seçmek için iki farklı özellik kullandık. Gerçekte hesaplama yapmadan bir düğüm kümesinin değerini tahmin etmek için bir denklem buluyoruz. Çözüm yöntemimizi test etmek için gerçek hayat ve sentetik ağları kullandık ve üç farklı yöntemde ağırlık ve eşik değerleri oluşturduk.