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

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

利用神经 Bandit 算法解决基于未知传播网络的影响力最大化问题，在实时选择种子节点的同时，通过图卷积网络对影响者的预估奖励进行优化，从而在传播网络未知的情况下，在两个大型真实数据集上显著提高了传播效果。

Jun, 2024

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

多重影响最大化研究中，引入了 MIM-Reasoner，将强化学习与概率图模型相结合，有效捕捉给定多重网络中层内部和层之间的复杂传播过程，从而解决了 MIM 中最具挑战性的问题。通过在合成和真实世界数据集上的广泛分析，验证了 MIM-Reasoner 的性能。

Feb, 2024

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

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

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

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

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