基于数据的社交影响力最大化方法
研究了在独立级联模型和超参数假设下影响最大化的鲁棒性问题,提出了一种新模型来最大化使用几率采样和乘法加权更新的最坏情况下影响用户的数量,并验证了其优于最先进的鲁棒影响最大化技术。
Mar, 2019
本文从博弈的角度研究影响最大化问题,提出了一个协调博弈模型,并在该模型下研究了影响最大化的难度和贪心算法的逼近保证。实验结果表明,优化后的算法比其他启发式算法快三个数量级,并且大大优于原始贪心方法。
Oct, 2018
本文针对在社交网络中的时间关键影响最大化问题,扩展了独立级联模型和线性阈值模型,设计了两种启发式算法解决了在规定期限内达到最大影响力传播的问题。
Apr, 2012
该研究提出了一个名为 DeepIM 的新框架,旨在解决学习为基础的影响最大化(IM)方法所面临的困难,该方法可以数据驱动地、端到端地学习多样化的信息传播模式,并设计了一个新的目标函数来推断出在灵活的基于节点中心性的预算约束下的最优种子集。
May, 2023
本文提出一种基于采样的影响力最大化方法,对于给定的节点影响传播日志数据,采用新颖的网络推断方法,可以学习到网络结构和传播参数,避免网络结构和参数假设所带来的误差。相比以往的方法,本方法不需要最大似然估计和凸规划假设,可以在网络参数学习难度较高的情况下保证一个比较小的近似率。
Jun, 2021
本文研究了鲁棒社交网络算法的影响最大化问题,定义了鲁棒影响最大化框架,并提出了一种能够在多种影响模型和参数设置下提供保证的近似算法,该算法的性能在多组真实数据集上得到了验证。
Feb, 2016
本文提出了公平性算法框架,运用法律和博弈理论概念,以控制不同人群之间的不公平性,从而改善通常会忽略小团体的传统影响最大化技术,并应用于无家可归的年轻人的 HIV 预防干预的实验结果证实了其有效性。
Mar, 2019
本文介绍了在社交网络营销环境下,针对影响最大化问题提出了一种在线学习的解决方案,通过多次试验选择种子节点,采用探索 - 利用策略进行影响活动,使用用户反馈信息更新影响概率,相对于传统影响最大化方法在信息不完整情况下效果更佳。
Jun, 2015