- 社交网络中时间关键的影响力最大化问题的公平性研究
本研究介绍一种基于社会公正性的群体时间关键影响最大化算法，以避免算法对不同人群信息接收不公平，通过实验表明该算法在合成和真实世界数据集上都表现出了有效性。
- 社交网络信息访问中的空白
本研究探讨如何在社交网络中传播信息并最小化访问差距，提出了最小最大社会福利函数作为目标函数，并研究了使用贪心策略进行最小最大优化的困难和实用性，并给出了贪心策略经验证据表明在实践中运作良好。
- 影响力最大化中的群体公平
本文提出了公平性算法框架，运用法律和博弈理论概念，以控制不同人群之间的不公平性，从而改善通常会忽略小团体的传统影响最大化技术，并应用于无家可归的年轻人的 HIV 预防干预的实验结果证实了其有效性。
- SIGIR社交网络中的 Top-K 影响节点：游戏视角
本文从博弈的角度研究影响最大化问题，提出了一个协调博弈模型，并在该模型下研究了影响最大化的难度和贪心算法的逼近保证。实验结果表明，优化后的算法比其他启发式算法快三个数量级，并且大大优于原始贪心方法。
- 快速最大化整数晶格上的非次模、单调函数
该论文提出了两种多项式查询复杂度的逼近算法来最大化整数格上的非子模函数，同时提出了一个广义影响力最大化框架来推广之前的研究，并在此背景下展示了我们算法的高效性。
- 社区对于影响力学习的重要性
本研究中，我们针对社交网络中的影响最大化问题进行研究。通过利用社区结构，我们设计了一种简单的启发式算法，在实践中有效地克服了该问题。尽管我们的算法在一般情况下的近似保证无法界定，但我们对其性能进行了实验，并在通过随机块模型生成的图中证明算法 - 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。
- ICML连续次模函数实现强大的预算分配
本文从鲁棒优化的角度重新审视了连续版本的预算分配或二分图影响最大化问题，并利用与连续次模函数的联系以及求解受约束子模最小化问题的方法精确地解决了这个非凸问题。
- 动态社交流实时影响力最大化
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。
- 亿级网络中病毒营销的最优采样算法
该研究提出了 SSA 和 D-SSA 两种采样框架，使用了 “Stop-and-Stare 策略” 来验证解决方案质量，并证明 SSA 和 D-SSA 是使用（渐近）最少样本数量的近似算法，满足 IM 的严格理论阈值，最终在实际网络数据上超 - KDD稳健影响力最大化
该论文提出了鲁棒性影响最大化问题，通过参数不确定性建立最坏情况下影响扩散率与最优解之间的最大比率。其通过解决方案相关的方法设计了一种算法来解决这个问题，并进一步研究了均匀采样和自适应采样方法来提高影响最大化任务的鲁棒性。实验结果显示，参数不 - 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。
- KDD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。
- 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。
- 基于草图的影响最大化和计算：具有保证的扩展
网络中传播的感染是一个基本过程，可以使用独立级联或代表性痕迹等概率模型来指定扩散模式，而影响查询和影响极大化是扩散研究中的基本计算问题，此文提出基于草图的影响最大化算法（SKIM），其性能接近精确贪心算法，但速度快了一至两个数量级，尤其是该 - 影响力最大化：近似最优时间复杂度 meets 实际效率
本文介绍了一个名为 TIM 的算法用于解决影响力最大化问题，可以处理百万节点的图，并融合了独立级联模型和线性阈值模型以及其他扩散模型，该算法通过新颖的启发式方法显着提高了其经验效率而不影响其渐近性能。
- SIGIRIMRank: 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 - StaticGreedy：在影响最大化中解决可扩展性与准确性的困境
本文提出了 StaticGreedy 算法以解决影响力最大化中的可扩展性 - 准确性困境，该算法通过满足子模性要求来保证影响扩散函数的子模性，并且可以将计算开销减少两个数量级而不损失准确性。同时，作者还提出了动态更新策略以加速该算法在大规模 - ICML连续时间扩散网络中的影响最大化
本研究针对扩散网络中寻找最佳源节点集合，以限定时间内最大化信息、影响力和疾病传播等问题展开研究，利用连续时间马尔可夫链可以解析计算扩散过程中源节点覆盖数量的平均值，并发现选择时间连续状态下的最具影响力的源节点是 NP-hard 的，因此提出 - AAAI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。