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

该论文考虑了社交网络中的影响最大化问题，提出了一种可快速从数据中学习的新颖参数化框架并开发了 LinUCB 算法来解决问题。

Mar, 2017

社交网络已经在广泛应用于人们之间的交流并且与传递意见和想法，其中影响最大化是广告推荐和个性化推荐的重要方式之一。此论文提出了一种基于社区结构的方法，利用 K-Shell 算法来生成种子节点和社区之间的连通性得分，以确保信息在社区内的适当传播，并使用熵来评估该方法在独立级联模型上的表现。作者的方法在八个公开网络上的实验中表现出色，比基线方法在四项评价指标上显著优越。

Nov, 2022

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

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

本文提出一种新的集成信息传递、影响排名和影响评估方法的算法 IRIE，用于在独立级联（IC）模型及其扩展中最大化影响力覆盖，并通过实验验证了 IRIE 在不同密度的网络和级联大小情况下比其他算法更具有鲁棒性和稳定性。

Nov, 2011

提出了一个基于社群感知的分治框架来解决影响力最大化问题，在学习社交网络的内在社群结构、为每个社区解决影响力最大化问题以及使用渐进式费用分配方案来选择最终的种子节点过程中，实现了候选解的生成。实验结果表明，相比标准方法，该框架在运行时间方面表现更好，并且在影响方面比启发式方法表现更好。我们还研究了社区结构对提出的框架性能的影响。实验表明，模块度更高的社区结构能够提高该框架在运行时间和影响力方面的表现。

Jul, 2022

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 StaticGreedy 算法以解决影响力最大化中的可扩展性 - 准确性困境，该算法通过满足子模性要求来保证影响扩散函数的子模性，并且可以将计算开销减少两个数量级而不损失准确性。同时，作者还提出了动态更新策略以加速该算法在大规模社交网络上的应用。

Dec, 2012

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