Apr, 2022

基于网络缩放的大规模多目标影响力最大化

PDF
TL;DR本文提出了一种基于网络降维的多目标进化算法来解决影响最大化问题，并通过 PageRank 等中心度量指标将降维后的解还原到原始网络中，实验结果表明，该方法在八个大型网络上表现出更高的效率和更少的计算时间。
influence maximisationnetwork downscalingevolutionary algorithmcentrality metricsscaling
发现论文，激发创造
  • 多目标演化影响最大化：平衡传播力、预算、公平性和时间

    通过优化影响最大化的多个目标函数，结合多目标进化算法（MOEA）和图感知操作，MOEIM 在大多数多目标设置中表现出色，探索目标之间的相关性，提供了新的见解。

    Mar, 2024

  • 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

  • DISCO: 影响力最大化遇上网络嵌入和深度学习

    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

  • 在线影响力最大化（扩展版）

    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

  • IRIE: 社交网络中可扩展和强健的影响最大化

    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

  • 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

  • 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

  • 超图中的因果影响最大化

    本研究提出了一种名为 CauIM 的新算法，通过重建每个节点的 ITE，并采用加权贪婪算法最大化受感染者 ITE 之和，以实现影响传播的合理目标。实验结果表明，CauIM 在超图流行度最大化方面表现卓越，超越了以前的 IM 和随机方法。

    Jan, 2023

  • 社交网络中的 Top-K 影响节点：游戏视角

    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

  • 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