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

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

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

通过 DC 模型研究在线影响力最大化问题，提出了 DC-UCB 算法解决了市场饱和现象带来的影响，经过实验验证算法效果优秀。

May, 2023

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

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

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

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