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算法（Cost-effective Lazy-forward）利用這個發現改進了Kempe&Kleinberg的原始的Greedy算法，使得算法的速度大幅提升。下面說說具體是怎么回事。
原始的Greedy算法：
input:圖G={V,E}，種子集合Seeds=空集,種子數量K
output:種子集合Seeds={K個影響力最大的種子}
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后形成的新種子集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={A}.
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:重復step 3，直至種子集的節點個數達到K,輸出Seeds,退出。
而CELF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后，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（這里是C）在上一輪中的Δinfs，那么這一輪就可以直接把B加入到Seeds當中，而不用計算后面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，那么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之后，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，然后重復上述過程。
