From the above contribution in SPM

From the above contribution in SPM and SP1M, Chen et al. [10] extended this idea
by considering Maximum Influence Paths (MIP) instead of shortest paths. A maximum influence path between a pair of nodes (u; v) is the path with the maximum
propagation probability from u to v. The main idea of this heuristic scheme is to use
local arborescence structures of each node to approximate the influence propagation.
The maximum influence paths between every pair of nodes in the network can
be computed by the Dijkstra shortest-path algorithm. Then we ignore the MIPs with
probability smaller than a influence threshold q , this can help us effectively restrict
influence to a local region. Next, we union the MIPs beginning or ending at each node
into a arborescence structures, which represent the local influence regions of each
node. When considering the influence propagation through these local arborescences,
the diffusion model refers to the Maximum Influence Arborescence (MIA) model
[10].
It is shown in [10] that the influence spread in the MIA model is submodular (i.e.
having a diminishing marginal return property), and thus the simple greedy algorithm
that selects one node in each round with the maximum marginal influence spread can

Kết quả (Việt) 1:

Từ sự đóng góp trên SPM và SP1M, Chen et al. [10] mở rộng ý tưởng nàybằng cách xem xét ảnh hưởng tối đa đường dẫn (MIP) thay vì đường dẫn ngắn nhất. Một đường dẫn ảnh hưởng tối đa giữa hai nút (u; v) là đường dẫn với tối đaxác suất tuyên truyền từ bạn để v. Ý tưởng chính của chương trình heuristic này là sử dụngđịa phương arborescence các cấu trúc của mỗi nút để xác định tuyên truyền ảnh hưởng.Tối đa các đường dẫn giữa mỗi cặp của nút trong mạng có thể ảnh hưởngđược tính bởi các thuật toán đường đi ngắn nhất Dijkstra. Sau đó chúng tôi bỏ qua MIPs vớixác suất nhỏ hơn so với một ảnh hưởng ngưỡng q, điều này có thể giúp chúng tôi có hiệu quả hạn chếảnh hưởng đến một khu vực địa phương. Tiếp theo, chúng tôi liên minh MIPs bắt đầu hoặc kết thúc tại mỗi nútvào một cấu trúc arborescence, đại diện cho các khu vực địa phương ảnh hưởng của mỗinút. Khi xem xét tuyên truyền ảnh hưởng thông qua các arborescences địa phương,Các mô hình phổ biến dùng để chỉ các mô hình Arborescence ảnh hưởng tối đa (MIA)[10].Nó hiển thị trong [10] ảnh hưởng lây lan trong mô hình MIA là submodular (tức làcó một tài sản giảm dần trở về biên), và do đó là các thuật toán đơn giản tham lamđó chọn một nút trong mỗi vòng với có thể ảnh hưởng tối đa biên lây lan

Kết quả (Việt) 2:

Từ những đóng góp nêu trên trong SPM và SP1M, Chen et al. [10] mở rộng ý tưởng này
bằng cách xem xét ảnh hưởng tối đa Paths (MIP) thay vì đường đi ngắn nhất. Một con đường ảnh hưởng lớn nhất giữa một cặp nút (u; v) là con đường với tối đa
xác suất truyền từ u đến v Ý tưởng chính của chương trình phỏng đoán này là để sử dụng.
Cấu trúc arborescence địa phương của mỗi nút để gần đúng các ảnh hưởng tuyên truyền.
Các đường dẫn ảnh hưởng tối đa giữa mỗi cặp nút trong mạng có thể
được tính toán bởi các thuật toán Dijkstra ngắn nhất con đường. Sau đó, chúng ta bỏ qua MIPS với
xác suất nhỏ hơn so với một q ngưỡng ảnh hưởng, điều này có thể giúp chúng tôi hiệu quả hạn chế
ảnh hưởng đến một khu vực địa phương. Tiếp theo, chúng ta đoàn các MIPS bắt đầu hoặc kết thúc ở mỗi nút
thành một cấu trúc arborescence, mà đại diện cho các vùng ảnh hưởng địa phương của mỗi
node. Khi xem xét các ảnh hưởng tuyên truyền thông qua các arborescences địa phương,
mô hình khuếch tán dùng để chỉ ảnh ​​hưởng tối đa Arborescence (MIA) mô hình
[10].
Nó được trình bày trong [10] rằng ảnh hưởng lan rộng trong mô hình MIA là submodular (tức là
có một biên giảm dần trả lại tài sản), và do đó các thuật toán tham lam đơn giản
mà chọn một nút trong mỗi vòng với tối đa biên ảnh hưởng lây lan có thể