The improvement is that instead of

The improvement is that instead of tuple of two attributes, they offer
that the node of Q corresponding to user u stores a tuple of the form <
u:mg1; u: prev best ; u:mg2; u: f lag >. Here u:mg1 = Du(S), the marginal gain of u
w.r.t. the current seed set S; u: prev best is the node that has the maximum marginal
gain among all the users examined in the current iteration, before user u; u:mag2 =
Du(S [ f prev best g), and u: f lag is the iteration number when u:mg1 was last updated.
The central idea is that if the node picked in the last iteration is still at the
root of the heap, they don’t need to recompute the marginal gains. This does save
a lot of computations. It is important to note that in addition to computing Du(S),
it is not necessary to compute Du(S [ f prev best g) from scratch. In other words,
the algorithm can be implemented in an efficient manner such that both Du(S) and
Du(S [fprev best g) are evaluated simultaneously in a single iteration of Monte Carlo simulation. In that sense, the extra overhead is relatively insignificant compared to
the huge run time gains they can achieve, as shown in the experimental results [24],
leading to an improvement of CELF by 17-61%.
Algorithm 3 uses the variable S to denote the current seed set, last seed to track
the id of last seed user picked by the algorithm, and cur best to track the user having
the maximum marginal gain w.r.t. S over all users examined in the current iteration.
The algorithm starts by building the heap Q initially. Then, it continues to select

Kết quả (Việt) 1:

Cải thiện là thay vì tuple của hai thuộc tính, họ cung cấpnút Q tương ứng với người sử dụng u mua sắm một tuple dạng <u:MG1; u: trước tốt nhất; u:MG2; u: tụt hậu f >. Ở đây u:mg1 = Du (S), gain biên của bạnw.r.t. tập hạt giống hiện tại của S; u: trước tốt nhất là các nút có tối đa biênđạt được trong số tất cả các người dùng kiểm tra trong sự lặp hiện tại, trước khi người dùng u; u:mag2 =Du (S [f trước tốt nhất g), và bạn: f tụt hậu là lặp đi lặp lại số khi bạn: mg1 được cập nhật lần cuối.Ý tưởng trung tâm là nếu nút chọn ở cuối lặp là vẫn còn ở nhữnggốc của heap, họ không cần phải recompute các lợi ích cận biên. Điều này tiết kiệmrất nhiều tính toán. Nó là quan trọng cần lưu ý rằng ngoài tính toán Du (S),nó không phải là cần thiết để tính toán Du (S [f trước tốt nhất g) từ đầu. Nói cách khác,Các thuật toán có thể được thực hiện một cách có hiệu quả như vậy mà cả hai Du (S) vàDu (S [fprev tốt nhất g) được đánh giá cùng một lúc trong một lặp đơn của Monte Carlo mô phỏng. Trong ý nghĩa đó, chi phí phụ là tương đối không đáng kể so vớilớn chạy thời gian lợi ích họ có thể đạt được, như thể hiện trong các kết quả thử nghiệm [24],dẫn đến một sự cải tiến của CELF của 17-61%.Thuật toán 3 sử dụng biến S để biểu thị các thiết lập hiện tại của hạt giống, hạt giống cuối để theo dõiid của hạt giống cuối người sử dụng chọn bởi các thuật toán, và bệnh hoạn tốt nhất để theo dõi người sử dụng cótối đa biên lợi w.r.t. S trên tất cả người dùng kiểm tra trong sự lặp hiện tại.Các thuật toán bắt đầu bằng cách xây dựng đống Q ban đầu. Sau đó, nó tiếp tục chọn