通过动态规划平衡当前高奖励和未来低回报的多阶段社交网络优化问题的基础上,建立一个基于多变量 Hawkes 过程的社交网络优化理论框架,并针对推广的几个目标函数推导出外部事件强度与目标函数的时间依赖线性关系,进一步发展了一个凸的动态规划框架,可以确定每个阶段所需的外部推动水平,以达到所需的推广结果。实验结果表明,我们的算法比基线模型更准确地引导用户进行优化宣传。
Jun, 2016
本文介绍了一个基于态度变化理论、群体行为理论和演化博弈理论的代理人在线舆论形成模型,该模型考虑了信誉度、接受者特征和群体环境对说服过程的影响,并将该模型应用于 Twitter,分析了话题类型、参数变化和意见领袖对舆论形成的影响。实验结果显示,争议性话题的意见演化表现出更大的不确定性和可持续性,而利益成本比对意见形成有着显着的影响,适当的比例将导致最长的放松时间或最统一的全球意见。此外,拥有大量追随者的名人比专家更有能力影响公众舆论。
Jul, 2018
本文提出了一个新方法来最大化社交网络中推荐新闻文章给特定用户的多样性,以确保用户暴露于不同的观点,而不是陷入过滤气泡。综合考虑用户性向、内容、分享概率等因素,该方法能够在保证信息传播最大化的同时实现多样性的平衡。作者通过引入新颖的随机可达集的概念扩展和以期约束来解决这个开放的挑战性问题,并设计了可扩展的近似算法。实验结果表明,该算法在多个真实世界的数据集上运行效率和可扩展性良好。
Sep, 2018
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
本文提出一种解决在社交网络中平衡信息暴露的问题的算法,通过使用近似算法来找到两组节点,以使两组节点的信息曝光在整个网络中基本上保持平衡。
Sep, 2017
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
通过模拟社会网络中人们的意见动态,研究了一种具有内生信念的模型,发现在这种情况下很少能达成共识,并提供了达成共识的最低成本与社会最优状态的紧密界限。同时,讨论了如何通过调整网络结构来减少达成共识的成本。
Mar, 2012
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
通过在社交网络中进行样本复杂度研究,该论文探讨了公共卫生官员如何以最少的资源分发信息,确保社区广泛理解与实际事实相一致,我们的发现在合成和实际网络上得到了实证验证,对政策具有重要意义。
Nov, 2023
本文提出了 SLANT,一种基于标记的跳跃扩散随机微分方程的概率建模框架,用于表示用户随时间变化的意见,可以从历史细粒度事件数据中进行有效的模型模拟和参数估计,并利用该框架得出了一组有效的预测公式,实验结果表明,该模型提供了良好的拟合,并且比其他方法实现了更准确的预测。