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

该论文提出了鲁棒性影响最大化问题，通过参数不确定性建立最坏情况下影响扩散率与最优解之间的最大比率。其通过解决方案相关的方法设计了一种算法来解决这个问题，并进一步研究了均匀采样和自适应采样方法来提高影响最大化任务的鲁棒性。实验结果显示，参数不确定性可能会严重影响影响最大化的性能，并且基于信息级联的自适应采样方法可能是提高鲁棒性的有效方法。

Jan, 2016

在社交网络中进行信息传播时，基于动态消息传递方法的算法可以用来估计独立级联模型中的影响力函数，从而代替对具有高计算复杂度的边缘概率的 Monte-Carlo 采样方法，同时提供一个解决计算效率问题的方法。

Dec, 2019

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

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

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

该研究利用指数随机图模型等方法将影响力最大化方法扩展到伪可见性图，并在 Stanford 大学的 Snap 数据集上进行了测试。实验结果表明，该方法在现实世界的网络图上具有高效性。

Aug, 2022

本论文提出一种运行时间最优的算法，解决网络扩散下影响力最大化问题，通过寻找一组初始种子节点，使得预期级联大小最大化。该算法可在多项式时间内获得近乎最优的近似因子，在之前已知的运行时间 Omega (mnk POLY (1/epsilon)) 的算法的基础上，显著提高了算法速度和精度。

Dec, 2012