Mar, 2024

多目标演化影响最大化：平衡传播力、预算、公平性和时间

PDF
TL;DR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。
influence maximizationinformation propagationmulti-objective evolutionary algorithmmoeimgraph datasets
发现论文，激发创造
  • 基于网络缩放的大规模多目标影响力最大化

    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。

    Apr, 2022

  • 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

  • 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

  • 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

  • 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

  • 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

  • 社交网络中影响最大化的多重转化进化框架

    本文提出了一种多变换进化框架来最大化影响，在众多转换方法中利用最适合的策略来选择种子集合，实验结果表明，该方法在多个基准测试和实际社交网络上均表现出高效的性能。

    Apr, 2022

  • IMRank: 通过寻找自洽排名进行影响力最大化

    提出一种基于迭代排序的算法 IMRank，通过同时利用贪心算法和启发式算法，以节点排序的感染影响力边际作为参考，高效地解决了社交网络中的最大影响力问题。经过对大规模真实社交网络的广泛实验，IMRank 总是以极高的准确性实现的同时，计算成本大大降低。

    Feb, 2014

  • 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