影響力傳播模型中的獨立層疊模型（independent cascading model，ic模型），影響力傳播過程中，種子的影響力具備子模性（submodularity），即種子的邊際影響力增量會呈現遞減趨勢，celf演算法（cost-effective lazy-forward）利用這個發現改進了kempe&kleinberg的原始的greedy演算法，使得演算法的速度大幅提公升。下面說說具體是怎麼回事。
原始的greedy演算法：
input:圖g=，種子集合seeds=空集,種子數量k
output:種子集合seeds=
step 1:在seeds為空的條件下，一次算出g中每個節點v的邊際影響力δinfs【節點n的δinfs=（n加入當前種子集seeds後形成的新種子集seeds的影響力）-（當前seeds的影響力）】，並把各個節點按照δinfs降序排列。
step 2:把δinfs最大的節點加入seeds。例如下圖中a的邊際影響力最大，於是seeds=.
step 3:在新種子集seeds條件下，重新計算各個節點的邊際影響力δinfs，把δinfs最大的加入種子集。
step 4:重複step 3，直至種子集的節點個數達到k,輸出seeds,退出。
而celf演算法：根據ic模型條件下，節點的δinfs符合子模性，於是在a加入seeds後，在下一輪計算各個節點的邊際影響力δinfs時，如果計算出b的δinfs大於或等於上一輪中比它小且最接近它的那個節點（這裡是c）在上一輪中的δinfs，那麼這一輪就可以直接把b加入到seeds當中，而不用計算後面c,d,e...等節點的δinfs了，因為他們在這一輪的δinfs必定比上一輪自己的δinfs小，所以b就是這一輪最大的，所以選b沒錯，因此節省了很多計算步驟。
具體到下圖中，如果δb>=8，那麼b就是δinfs最大的節點，b可直接加入seeds，不用再計算δc，δd，δe等等，因為依據子模性（即邊際遞減規律），種子集seeds加入了a之後，δc必定小於等於8，δd必定小於等於7，δe必定小於等於5。這就是celf演算法能節省時間提高速度的原因。
那，如果這一輪b的δinfs沒有大於或者等於8呢？就逐個算出每個節點的δinfs，排序再挑最大的，放進seeds，然後重複上述過程。
社交網路影響力最大化 CELF演算法解決IM問題
celf資料集 facebook coding utf8 import numpy as np import time from collections import counter from igraph import import random import copy import matplo...
AdaBoost演算法原理
每個haar特徵對應看乙個弱分類器，但並不是任伺乙個haar特徵都能較好的描述人臉灰度分布的某一特點，如何從大量的haar特徵中挑選出最優的haar特徵並製作成分類器用於人臉檢測，這是adaboost演算法訓練過程所要解決的關鍵問題。paul viola和michael jones於2001年將ad...
Chord演算法（原理）
chrod 演算法是p2p中的四大演算法之一，是有mit 麻省理工學院 於2001年提出，其他三大演算法分別是 chord的目的是提供一種能在p2p網路快速定位資源的的演算法，cord並不關心資源是如何儲存的，只是從演算法層面研究資源的取得，因此chord的api就簡單到只有乙個set get。ch...