KDDJun, 2015

在线影响力最大化（扩展版）

PDF
TL;DR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。
social networksinfluence maximizationseed nodesincomplete informationonline learning
发现论文，激发创造
  • 面向影响最大化的无模型在线学习

    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

  • 深度图表示学习与优化用于影响最大化

    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

  • 样本中的网络推断和影响最大化

    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

  • 基于独立级联模型的节点级反馈在线影响最大化

    本研究提出了一种应对节点级反馈的独立级联模型（IC）的在线影响最大化问题的算法，通过使用该算法，可以在社交网络中找到最优种子节点来刺激信息在网络中最大范围的传播。

    Sep, 2021

  • 社交影响最大化的社区感知框架

    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

  • IMRank: 通过寻找自洽排名进行影响力最大化

    提出一种基于迭代排序的算法 IMRank，通过同时利用贪心算法和启发式算法，以节点排序的感染影响力边际作为参考，高效地解决了社交网络中的最大影响力问题。经过对大规模真实社交网络的广泛实验，IMRank 总是以极高的准确性实现的同时，计算成本大大降低。

    Feb, 2014

  • 在线影响最大化：概念与算法

    本文综述了在线影响最大化问题，包括理论方面和实际应用方面，提供了离线 IM 问题的定义，并概述了常用的离线 IM 算法。然后，给出了在线 IM 问题的标准定义和基本的组合多臂赌博机（CMAB）框架，CMAB-T，为使用在线学习方法解决在线 IM 问题铺平了道路。此外，文中还详细讨论了 CMAB 模型中的三种反馈类型，以及如何基于 CMAB-T 模型研究在线 IM 问题。最后，总结了当前的挑战和未来研究方向。

    Nov, 2023

  • 图结构贝叶斯优化的多重影响力最大化

    该论文研究了影响力最大化问题，提出了多重影响力最大化的模型，探索了多重扩散和信息关联机制，并通过图贝叶斯优化提供了高效的全局传递模块。

    Mar, 2024

  • 在线线性阈值模型下的影响最大化

    本文主要研究了在线影响最大化问题，并提出了 LT-LinUCB 算法与 OIM-ETC 算法，其中前者考虑了节点级反馈，后者简单易用、无需离线计算且具有较低的反馈要求。

    Nov, 2020

  • 动态社交流实时影响力最大化

    针对社交网络中高度动态的社交影响力问题，我们提出了一种名为流影响最大化的查询。通过采用滑动窗口模型和最近社交动作中具有最大影响力值的 $k$ 个种子。

    Feb, 2017