现代在线社交网络规模巨大（微信、微博、Facebook、Twitter等的用户数已超过十亿量级），在如此巨大的网络中如何精确并快速地量化用户在整个网络中的影响力，进而找到最有影响力的个体或群体，成为一个极具挑战性的问题。传统的方法在量化用户在网络的影响力时往往需要社交网络的全局结构数据。但由于社交网络巨大，并且在时刻变化着，获得全局的网络结构几乎是不可能的，即使可以获得，其计算复杂度也难以承受。
纪圣塨同学及其合作者，利用统计物理学中的“渗流相变”理论，进行理论梦见躲藏推导与算法设计，从而能够精确并快速地量化用户在整个网络中的全局影响力。该方法只需要社交网络的局部（local）信息就能够精确地量化用户在整个网络的全局（global）影响力，其时间复杂度与网络规模无关，即使在超过十亿量级的社交网络中也能够快速地量化用户的影响力。
基于该方法，他们还设计了PBGA算法，来寻找最优的M个初始用户，使得其综合的全局影响力最大。同样地，PBGA算法的时间复杂度也与网络规模无关。在微博、Facebook、QQ等实际社交网络的实验结果显示，如下图所示，PBGA算法的时间复杂度确实不随网络规模增大而增大。基于简单的估算，对于全局的Facebook或Twitter网络，PBGA算法比经典算法（NGA）快将近1010倍（100亿倍）。基于其高效性，PBGA算法在社交网络上的广告投放、营销、流感防控等等与信息相关的领域都将具有重要的应用。该论文的发表是西南交通大学云计算与智能技术高校重点实验室在人工智能领域方面的又一重要。
本文由来源于325棋牌 325游戏中心唯一官方网站