Nov, 2023

在线影响最大化：概念与算法

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 带有赌博机的影响力最大化

    本文考虑影响最大化问题，提出一种基于组合多臂老虎机范式的策略来估计影响概率，实现了较高的效率和效果，同时在四个真实数据集上得到了验证。

    Feb, 2015

  • 独立级联模型下考虑半匹配反馈的在线影响最大化

    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

  • 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

  • 社区探索：从离线优化到在线学习

    本文研究社区勘探问题，提出基于预算的勘探算法，并通过对线上和线下的优化研究，提出了一种新的上置信度算法，可在多轮探索中实现对社区规模的学习，并将不同轮次的反馈相结合以获得恒定的后悔值。

    Nov, 2018

  • 在线影响最大化的分解赌博机

    本文提出基于因子分解和上界置信度的在线影响力最大化算法来识别社交网络中的最佳影响者，实验结果表明该算法有效降低了策略的遗憾值，并在两个真实社交网络中获得了良好表现。

    Jun, 2019

  • 在线线性阈值模型下的影响最大化

    本文主要研究了在线影响最大化问题，并提出了LT-LinUCB算法与OIM-ETC算法，其中前者考虑了节点级反馈，后者简单易用、无需离线计算且具有较低的反馈要求。

    Nov, 2020

  • 基于独立级联模型的节点级反馈在线影响最大化

    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

  • 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

  • 基于减少级联模型的在线影响最大化

    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

  • 图结构贝叶斯优化的多重影响力最大化

    该论文研究了影响力最大化问题，提出了多重影响力最大化的模型，探索了多重扩散和信息关联机制，并通过图贝叶斯优化提供了高效的全局传递模块。

    Mar, 2024