Jul, 2022

社交影响最大化的社区感知框架

PDF
TL;DR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。
influence maximizationcommunity-aware frameworksocial networksseed nodesmodularity
发现论文，激发创造
  • 一种基于社区桥节点的极低预算影响最大化社交网络传播者排序算法

    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

  • 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

  • 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

  • 稳健影响力最大化

    本文研究了鲁棒社交网络算法的影响最大化问题，定义了鲁棒影响最大化框架，并提出了一种能够在多种影响模型和参数设置下提供保证的近似算法，该算法的性能在多组真实数据集上得到了验证。

    Feb, 2016

  • 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

  • 稳健影响力最大化

    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

  • 社交网络中基于社区结构的公平信息传播

    提出了一种基于网络建模从而实现公平信息扩散的影响最大化算法，可以有效解决社交网络中社群结构问题而不依赖节点属性，并且适用于部分观察和噪声干扰的网络。

    May, 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

  • 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