本文研究独立级联模型下社交网络中的在线影响最大化问题。提出了 IMLinUCB 算法,可以在实践中应用于大规模问题,并且证明了累积遗憾的多项式边界。
May, 2016
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
本文考虑影响最大化问题,提出一种基于组合多臂老虎机范式的策略来估计影响概率,实现了较高的效率和效果,同时在四个真实数据集上得到了验证。
Feb, 2015
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
利用神经 Bandit 算法解决基于未知传播网络的影响力最大化问题,在实时选择种子节点的同时,通过图卷积网络对影响者的预估奖励进行优化,从而在传播网络未知的情况下,在两个大型真实数据集上显著提高了传播效果。
Jun, 2024
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
本文提出了 DISCO 框架,该框架集成了网络嵌入和深度强化学习技术以解决影响最大化问题。实验结果表明,相对于传统解决方案,DISCO 具有更好的效率和影响范围质量,并且表现出良好的通用性。
Jun, 2019
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