本文介绍了一个名为 TIM 的算法用于解决影响力最大化问题，可以处理百万节点的图，并融合了独立级联模型和线性阈值模型以及其他扩散模型，该算法通过新颖的启发式方法显着提高了其经验效率而不影响其渐近性能。

Apr, 2014

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

本文提出了一种基于随机算法来进行影响估计的方法，该方法可以在连续的时间传播网络中估计每个节点的影响力，通过大规模的实验数据表明，该方法不仅精度高，而且能够扩展到数百万个节点的网络上。

Nov, 2013

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

本研究针对扩散网络中寻找最佳源节点集合，以限定时间内最大化信息、影响力和疾病传播等问题展开研究，利用连续时间马尔可夫链可以解析计算扩散过程中源节点覆盖数量的平均值，并发现选择时间连续状态下的最具影响力的源节点是 NP-hard 的，因此提出了一种高效的近似算法，并在实验中针对合成和真实扩散网络展示出其明显优越性。

May, 2012

网络中传播的感染是一个基本过程，可以使用独立级联或代表性痕迹等概率模型来指定扩散模式，而影响查询和影响极大化是扩散研究中的基本计算问题，此文提出基于草图的影响最大化算法（SKIM），其性能接近精确贪心算法，但速度快了一至两个数量级，尤其是该算法还具有保证近似比，并使用预处理技术生成节点草图，使任何种子集合的影响都可以从草图上快速回答。

Aug, 2014

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

本文从数据角度出发，提出一种 credit distribution 模型，结合历史数据和时序属性，较之传统方法更稳健高效的解决了影响力最大化问题。

Sep, 2011

该论文提出了鲁棒性影响最大化问题，通过参数不确定性建立最坏情况下影响扩散率与最优解之间的最大比率。其通过解决方案相关的方法设计了一种算法来解决这个问题，并进一步研究了均匀采样和自适应采样方法来提高影响最大化任务的鲁棒性。实验结果显示，参数不确定性可能会严重影响影响最大化的性能，并且基于信息级联的自适应采样方法可能是提高鲁棒性的有效方法。

Jan, 2016