第1章 緒論
1.1 社會網(wǎng)絡(luò)研究概述
1.1.1 基本概念和特點
1.1.2 研究現(xiàn)狀
1.2 社會網(wǎng)絡(luò)影響最大化問題
1.2.1 影響最大化問題的研究意義
1.2.2 影響最大化算法的度量標準
1.2.3 影響最大化問題面臨的挑戰(zhàn)
1.2.4 現(xiàn)有工作的不足
1.3 本書的主要工作
1.4 全書組織
第2章 影響最大化問題及相關(guān)理論
2.1 社會網(wǎng)絡(luò)基本定義
2.2 影響傳播模型
2.2.1 獨立級聯(lián)模型
第1章 緒論
1.1 社會網(wǎng)絡(luò)研究概述
1.1.1 基本概念和特點
1.1.2 研究現(xiàn)狀
1.2 社會網(wǎng)絡(luò)影響最大化問題
1.2.1 影響最大化問題的研究意義
1.2.2 影響最大化算法的度量標準
1.2.3 影響最大化問題面臨的挑戰(zhàn)
1.2.4 現(xiàn)有工作的不足
1.3 本書的主要工作
1.4 全書組織
第2章 影響最大化問題及相關(guān)理論
2.1 社會網(wǎng)絡(luò)基本定義
2.2 影響傳播模型
2.2.1 獨立級聯(lián)模型
2.2.2 線性閾值模型
2.2.3 其他影響傳播模型
2.3 影響最大化問題及求解算法
2.3.1 影響最大化問題
2.3.2 影響最大化問題求解算法
2.4 影響最大化問題延伸與變形
2.4.1 影響最大化問題延伸
2.4.2 影響最大化問題變形
2.5 小結(jié)
第3章 基于異構(gòu)并行計算框架的影響最大化加速算法
3.1 引言
3.2 GPU體系結(jié)構(gòu)和CUDA編程模型
3.2.1 GPU硬件體系結(jié)構(gòu)
3.2.2 CUDA編程模型
3.3 自底向上逐層掃描算法
3.3.1 BUTA算法設(shè)計
3.3.2 BUTA重疊部分計算
3.4 IMGPU實現(xiàn)及其優(yōu)化
3.4.1 IMGPU_基本實現(xiàn)
3 4.2 IMGPU 優(yōu)化方法
3.5 實驗與性能分析
3.5.1 實驗設(shè)計
3.5.2 算法精度分析
3.5.3 算法時間分析
3.5.4 算法可擴展性分析
3.5.5 優(yōu)化方法分析
3.6小結(jié)
第4章 基于監(jiān)督采樣的影響力估計算法
4.1 引言
4.2 背景理論
4.2.1 蒙特卡洛理論
4.2.2 灰度預測理論
4.3 ESMCE采樣估計算法設(shè)計
4.3.1 ESMCE總體設(shè)計
4.3.2 監(jiān)督采樣算法設(shè)計
4.3.3 誤差傳播控制
4.4 實驗與性能分析
4.4.1 實驗設(shè)計
4.4.2 實驗結(jié)果
4.4.3 討論
4.5 小結(jié)
第5章 動態(tài)社會網(wǎng)絡(luò)的增量式影響最大化算法
5.1 引言
5.2 動態(tài)社會網(wǎng)絡(luò)及其相關(guān)研究
5.2.1 動態(tài)社會網(wǎng)絡(luò)
5.2.2 動態(tài)社會網(wǎng)絡(luò)相關(guān)研究
5.3 動態(tài)社會網(wǎng)絡(luò)演變規(guī)律
5.3.1 社會網(wǎng)絡(luò)增長速度
5.3.2 動態(tài)網(wǎng)絡(luò)演變模式
5.3.3 節(jié)點影響力同度數(shù)的關(guān)系
5.4 增量式影響最大化算法
5.4.1 網(wǎng)絡(luò)拓撲變化基本元素
5.4.2 影響值變化量計算
5.4.3 剪枝策略設(shè)計
5.5 實驗與性能分析
5.5.1 實驗設(shè)置
5.5.2 算法效率比較
5.5.3 算法精度比較
5.5.4 參數(shù)θ調(diào)整對效率和精度的影響
5.6 小結(jié)
第6章 基于影響最大化的社會網(wǎng)絡(luò)低延遲內(nèi)容分發(fā)方法
6.1 引言
6.2 CDN及內(nèi)容分發(fā)方法研究
6.2.1 內(nèi)容分發(fā)網(wǎng)絡(luò)框架
6.2.2 內(nèi)容分發(fā)方法研究
6.3 社會信息感知的低延遲內(nèi)容分發(fā)方法
6.3.1 緩存內(nèi)容選擇策略
6.3.2 邊緣服務(wù)器選擇策略
6.3.3 緩存時間策略
6.4 實驗與性能分析
6.4.1 實驗?zāi)Ｐ?/p>
6.4.2 實驗結(jié)果
6.5 小結(jié)
第7章 結(jié)束語
7.1 全書工作的總結(jié)
7.2 課題研究展望
參考文獻
書單推薦
