基于图神经赌博师的影响力最大化

KDDJun, 2024

基于图神经赌博师的影响力最大化

Influence Maximization via Graph Neural Bandits

Yuting Feng, Vincent Y. F. Tan, Bogdan Cautis

TL;DR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。

Abstract

We consider a ubiquitous scenario in the study of influence maximization (IM), in which there is limited knowledge about the topology of the diffusion network. We set the IM problem in a multi-round diffusion campaign, aiming to maximize the number of distinct users that are influenced

influence maximization diffusion network bandit algorithms neural networks graph convolutional networks

发现论文，激发创造

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

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

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

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

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

图神经臂带

通过图神经网络，本论文提出了一种名为图神经赌博（GNB）的框架，旨在利用用户之间的协作特性来提高在线推荐系统的性能，并通过理论分析和实证研究验证了我们提出的框架的有效性。

Aug, 2023

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

利用统计方法在具有有限可见性的复杂网络中进行影响最大化

该研究利用指数随机图模型等方法将影响力最大化方法扩展到伪可见性图，并在 Stanford 大学的 Snap 数据集上进行了测试。实验结果表明，该方法在现实世界的网络图上具有高效性。

Aug, 2022

基于影响的图神经网络小批量处理

通过最大化节点对输出的影响分数来理论建模批处理构建，在推理方面 IBMB 加速了最多 130 倍，并且通过使用自适应优化和正确的训练计划 IBMB 还可以加速训练，每个时期快 18 倍，并且与先前方法相比，每个运行时收敛速度最高可达 17 倍。

Dec, 2022