Nov, 2023

DSCom：社交网络中基于数据驱动的自适应社区框架用于最大化影响力

PDF
TL;DR我们通过基于机器学习的框架 DSCom，利用节点属性来估计连接节点之间的亲密度，从而解决影响力重叠问题。与之前的理论工作相比，我们基于真实世界的社交网络设计了参数化扩散模型的经验实验，证明了算法的高效性和有效性。
发现论文，激发创造
  • 从竞争到互补：比较影响扩散和最大化

    本文提出了一种新的 Com-IC 模型来覆盖从竞争到互补的整个实体交互谱系，并研究了由此引发的影响力最大化问题和互补影响力最大化问题。通过高效有效的逼近算法，探讨了两种问题，并结合真实社交网络的数据集显示了性能优于传统基线算法的实验结果。

    Jul, 2015

  • 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

  • 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

  • 基于数据的社交影响力最大化方法

    本文从数据角度出发，提出一种 credit distribution 模型，结合历史数据和时序属性，较之传统方法更稳健高效的解决了影响力最大化问题。

    Sep, 2011

  • 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

  • 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

  • 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

  • 网络推理和影响估计的可扩展连续时间扩散框架

    我们通过将扩散过程视为连续时间动力系统，建立了一个连续时间扩散模型，以此来推断潜在的网络结构，并且通过高级抽样技术提高了影响力估计的可扩展性，FIM 在网络推断和影响力估计方面具有显著的效果和优越的可扩展性。

    Mar, 2024

  • 时延扩散过程下的社交网络时间关键影响力最大化

    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