中图网

>

数据库

>

数据库理论

大数据网络传播模型和算法

作者：陈卫

出版社：人民邮电出版社出版时间：2020-04-01

开本： 24cm 页数： 280页

本类榜单：计算机/网络销量榜

中图价:¥99.7(5.9折) 定价 ~~¥169.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥99.7 加入购物车

版权信息
本书特色
内容简介
目录
作者简介

大数据网络传播模型和算法版权信息

ISBN：9787115525543
条形码：9787115525543 ; 978-7-115-52554-3
装帧：平装-胶订
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
数据库
>
数据库理论

大数据网络传播模型和算法本书特色

信息和影响力在人际网络中的传播无处不在。大规模社交网络平台的普及和大数据技术的应用为研究信息和影响力在网络中的传播提供了全新的机会。全书系统总结了信息和影响力传播模型和算法方面的近二十年的研究成果。在传播模型方面，本书详细介绍了若干经典的随机传播模型，准确论述了模型之间的关系和模型的主要性质。在传播算法方面，本书以影响力化为主线，介绍了适用于不同场景的基于影响力传播的优化问题和算法。此外，本书也介绍了其他传播模型和基于数据的网络传播的推断和学习方法等。本书以扎实的理论论述为基础，将基础理论与多方面的应用背景结合，并介绍了相关方面的研究成果。

大数据网络传播模型和算法内容简介

1.描述的模型范围广泛，以影响力传播模型为主，兼顾选举模型、博弈论模型、传染病模型等网络传播模型。 2.对模型之间的关系作了一定阐述。这是研究论文中很少涉及的，在其他综述性文章和专著中也涉及不多。模型的比较分析有利于研究者和实践者分清模型的适用场合，更有的放矢地应用也有成果。 3.包括网络传播中的*模型和算法，如基于反向可达集合的影响力*化算法、基于Shapley值的网络影响力中心度算法、包含竞争和互补关系的传播模型和算法等。 4.数学和算法描述描写深入，使得本册图书区别于一般综述性文章，能够给读者了解从事这方面研究的关键技术内容和背景。

大数据网络传播模型和算法目录

第　1章网络传播模型概述和分类　001

第　2章影响力传播的基本模型　009

2.1　递进性影响力传播模型的基本概念　010

2.2　独立级联模型　013

2.3　线性阈值模型　017

2.4　触发模型　024

2.5　通用阈值模型和通用级联模型　026

2.6　传播模型的次模性　035

2.7　通用阈值模型之外的传播模型　040

2.8　相关文献小结和补充资料　044

参考文献　047

第3章　影响力扩展度的计算　049

3.1　精确影响力扩展度计算的难解性　050

3.2　影响力扩展度计算的蒙特卡洛近似　052

3.3　特殊图中的影响力扩展度的精确计算　055

3.4　相关文献小结和补充资料　061

参考文献　062

第4章　影响力*大化问题和算法　063

4.1　影响力*大化问题的定义及其NP难解性　064

4.2　基于次模性的影响力*大化的贪心算法　066

4.3　可扩展的影响力*大化算法　077

4.3.1　基于反向影响力采样的IMM算法　078

4.3.2　IMM算法讨论及其与蒙特卡洛贪心算法的比较　103

4.4　相关文献小结和补充资料　109

参考文献　115

第5章　单实体下其他影响力传播模型和优化问题　119

5.1　带传播延迟的模型和受限时间的影响力*大化　120

5.1.1　IC-M模型及其下的受限时间影响力*大化　121

5.1.2　连续时间传播模型和影响力*大化　125

5.2　收入和利润*大化问题　127

5.2.1　收入*大化问题　127

5.2.2　利润*大化问题　133

5.3　种子集合*小化问题　134

5.4　自适应的影响力*大化　137

5.5　在线影响力*大化　148

5.6　一般营销策略下的影响力*大化　155

5.7　基于影响力的网络中心性刻画　161

5.7.1　SNI中心性和Shapley中心性的公理化刻画　164

5.7.2　计算Shapley和SNI中心性的可扩展算法　169

5.8　相关文献小结和补充资料　171

参考文献　186

第6章　多实体的影响力传播模型和优化问题　195

6.1　多实体竞争传播模型及影响力*大化　196

6.1.1　竞争性影响力*大化　199

6.1.2　影响力阻断*大化　208

6.2　带负面评价的传播模型和影响力*大化　212

6.3　涵盖竞争和互补的一般多实体模型及互补模型下的影响力*大化　216

6.3.1　涵盖竞争和互补的一般多实体模型（Com-IC）　216

6.3.2　互补性模型的影响力*大化　223

6.3.3　三明治近似方法　224

6.3.4　反向影响力采样方法的一般框架和条件　227

6.4　相关文献小结和补充资料　229

参考文献　235

第7章　其他传播模型和传播分析　239

7.1　选举模型　240

7.2　传染病传播模型　248

7.3　网络传播的相变分析及其相关研究　255

7.4　基于博弈论的传播模型　260

参考文献　263

第8章　网络传播的推断和学习　267

参考文献　274

结束语　277

附　录常用符号表　279

展开全部

大数据网络传播模型和算法作者简介

陈卫微软亚洲研究院高级研究员，清华大学客座教授，中科院计算所客座研究员，IEEE Fellow。在影响力传播和影响力最大化方面取得了一系列开创性研究成果，他引次数已逾6000次。陈卫与另外两位合作者曾合著这方面的第一部英文学术专著。在网络科学、社交网络其他相关方向及在线学习、分布式计算等方向，也做出了很多有影响力的工作。

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐