Algorithmic problem of computing the most influential nodes in an arbitrary graph (influence maximization) is an important theoretical and practical problem and has been extensively studied for decades. For massive graphs (e.g. modelling huge social networks), randomized algorithms are the answer as the exact computation is prohibitively complex, both for runtime and space. This paper concentrates on developing new accurate and efficient randomized algorithms that drastically cut the memory footprint and scale up the computation of the most influential nodes. Implementing the Reverse Influence Sampling method proposed by Borgs, Brautbar, Chayes and Lucier in 2013, we engineered a novel algorithm, CutTheTail (CTT), which solves the problem of influence maximization (IM) while using up to five orders of magnitude smaller space than the existing renown algorithms. CTT is a heuristic algorithm. We tested the accuracy of CTT on large real-world graphs using Monte Carlo simulation as the benchmark and comparing the quality of CTT solution to the algorithms with theoretically proven guaranteed approximation to optimal. Experiments show that CTT provides solutions with the quality equal to the quality of such algorithms. Savings in required space allow to successfully run CTT on a consumer-grade laptop for a graph with almost a billion of edges. To the best of our knowledge, no other IM algorithm can compute a solution on such a scale using a 16 GB RAM laptop.

中文翻译：

---

CutTheTail：一种影响力最大化的准确且节省空间的启发式算法

计算任意图中最有影响力的节点（影响最大化）的算法问题是重要的理论和实践问题，并且已进行了数十年的广泛研究。对于庞大的图形（例如，对大型社交网络建模），随机算法是答案，因为对于运行时和空间而言，精确的计算非常复杂。本文着重于开发新的准确，高效的随机算法，该算法可大大减少内存占用并扩大最具影响力的节点的计算。实施由Borgs，Brautbar，Chayes和Lucier在2013年提出的反向影响采样方法，我们设计了一种新颖的算法CutTheTail（CTT），它解决了影响最大化（IM）问题，同时使用的空间比现有的知名算法小多达五个数量级。CTT是一种启发式算法。我们以蒙特卡洛模拟为基准，在大型真实图形上测试了CTT的准确性，并将CTT解决方案的质量与算法进行了比较，并在理论上证明了近似最优。实验表明，CTT提供的解决方案的质量与此类算法的质量相同。所需空间的节省使CTT可以在消费级笔记本电脑上成功运行，以生成具有近十亿条边的图形。据我们所知，没有其他IM算法可以使用16 GB RAM笔记本电脑以这种规模计算解决方案。我们以蒙特卡洛模拟为基准，在大型真实图形上测试了CTT的准确性，并将CTT解决方案的质量与算法进行了比较，并在理论上证明了近似最优。实验表明，CTT提供的解决方案的质量与此类算法的质量相同。所需空间的节省使CTT可以在消费级笔记本电脑上成功运行，以生成具有近十亿条边的图形。据我们所知，没有其他IM算法可以使用16 GB RAM笔记本电脑以这种规模计算解决方案。我们以蒙特卡洛模拟为基准，在大型真实图形上测试了CTT的准确性，并将CTT解决方案的质量与算法进行了比较，并在理论上证明了近似最优。实验表明，CTT提供的解决方案的质量与此类算法的质量相同。所需空间的节省使CTT可以在消费级笔记本电脑上成功运行，以生成具有近十亿条边的图形。据我们所知，没有其他IM算法可以使用16 GB RAM笔记本电脑以这种规模计算解决方案。所需空间的节省使CTT可以在消费级笔记本电脑上成功运行，以生成具有近十亿条边的图形。据我们所知，没有其他IM算法可以使用16 GB RAM笔记本电脑以这种规模计算解决方案。所需空间的节省使CTT可以在消费级笔记本电脑上成功运行，以生成具有近十亿条边的图形。据我们所知，没有其他IM算法可以使用16 GB RAM笔记本电脑以这种规模计算解决方案。