A Co\mbox{-}Operative Game Theoretic Approach for the Budgeted Influence Maximization Problem
给定具有选择成本的用户的社交网络，\textsc{Budgeted Influence Maximization Problem}（简称\emph{BIM Problem}）要求在分配的预算内选择节点的子集（称为\emph{seed nodes}）用于初始激活以最大化网络中的影响。本文在\emph{co\mbox{-}operative game theoretic}框架下对该问题进行了研究。我们将这个问题建模为一个合作\mbox{-}操作游戏，其中网络的用户是玩家，对于一组用户，他们在\emph{Maximum Influence Arborences}扩散模型下的预期影响是其效用。我们称这个博弈为\emph{BIM Game}，并证明这是“非凸”和“次可加”的。基于所提出的博弈\mbox{-}理论模型，利用“Shapley值”解的概念，提出了一种寻找种子节点的迭代算法。所提出的方法主要分为两个广泛的步骤：第一个是计算近似的边际增益在\emph{Shapley Value}的所有节点的网络，和第二个是选择种子节点从排序列表中，直到预算耗尽。我们还表明，所提出的方法，甚至可以更有效地利用网络的社区结构。所提出的方法已经实施，并进行了广泛的实验与三个公开的社交网络数据集。从实验中，我们观察到，所提出的方法选择的种子集导致更多的影响节点的数量相比，许多标准和基线方法从文献中具有合理的计…
2021-04-05 cs.DB cs.SI
Smart Information Spreading for Opinion Maximization in Social Networks
意见最大化的目标是使社交网络中的个体对产品、意识形态或任何实体的正面看法最大化。到目前为止，意见最大化主要是在社会网络中寻找一组有影响力的节点来快速传播内容。在本文中，我们提出了一种新的方法来解决这个问题，意见最大化是通过有效的信息传播。在我们的模型中，多个源不断地向网络中注入信息，而具有异构社会学习能力的规则节点通过八卦机制将信息传播给他们的熟人。其中一个信源采用智能信息传播，其余信源随机传播信息。我们的社会互动和意见的演变模型作为一个动态贝叶斯网络（DBN），使用它的意见最大化制定为一个顺序决策问题。由于这个问题是棘手的，我们开发了多个变种的集中式和分散式学习算法，以获得近似的解决方案。通过在合成网络和真实网络中的模拟，我们证明了两个关键结果：1）所提出的方法比随机传播的性能要好得多，2）即使智能源（传播所需内容）位于网络中的不利位置，它也可以胜过位于有利位置的竞争随机源。
2019-01-01 cs.SI physics.soc-ph
Competition Between Homophily and Information Entropy Maximization in Social Networks
在社交网络中，人们通常认为，两个拥有更多重叠朋友的个体倾向于建立新的友谊，这可以被称为同质性滋生新的联系。而最近提出的最大信息熵假设是小世界网络中有效导航的可能来源。通过理论和实验分析，我们发现信息熵最大化和局部结构同质性之间存在竞争。这种竞争意味着，两个人之间新建立的关系与更多的共同朋友将导致更少的信息熵增益为他们。我们推测，在社会网络的演化过程中，这两种假设是并存的。最大信息熵法则使网络中的个体产生弱联系，而同伦法则则使网络局部高度聚集，个体之间产生强而信任的联系。我们的研究结果从一个新的角度阐明了社会网络建模。
2014-11-12 cs.SI physics.soc-ph
IRIE: Scalable and Robust Influence Maximization in Social Networks
影响力最大化是在一定的影响扩散模型下选择社交网络中的顶级$k$种子节点以最大化其影响覆盖的问题。在本文中，我们提出了一种新的算法IRIE，集成了一个新的消息传递的影响力排名（IR），和影响力估计（IE）的影响力最大化的独立级联（IC）模型和它的扩展IC-N，包括负面意见传播的方法。通过大量的实验，我们证明了IRIE匹配的影响覆盖率的其他算法，而规模远远优于所有其他算法。此外，IRIE算法在不同网络密度和级联规模下，无论是运行时间还是内存使用都比其他算法更鲁棒和稳定。它比其他最先进的算法（如PMIA）快两个数量级，适用于具有数千万节点和边缘的大型网络，而与PMIA相比，它只使用一小部分内存。
2012-03-19 cs.SI physics.soc-ph
Cross-Layer Design of Influence Maximization in Mobile Social Networks
大多数现有的影响力最大化算法都是针对在线社交网络（OSN）设计的，需要集中计算。直接部署在分布式移动社交网络（MSN）的上述算法将淹没的网络，由于种子选择所需的大量的消息。因此，在本文中，我们设计了一个新的跨层策略，共同研究MSN和移动自组织网络（MANDO），以促进有效的种子选择，通过提取一个子集的节点作为代理代表附近的朋友在分布式计算。具体来说，我们制定了一个新的优化问题，名为代理选择问题（ASP），以尽量减少在移动自组网中传输的消息开销。我们证明了ASP是NP-Hard的，并设计了一个有效的分布式算法。在真实数据集和合成数据集上的仿真结果表明，与现有方法相比，该方法可以显着减少消息开销。
2016-04-18 cs.SI physics.soc-ph
Influence Maximization With Deactivation In Social Networks
在本文中，我们考虑一个著名的社会网络中的影响力最大化问题的扩展，该问题涉及找到一组k个节点来启动扩散过程，使得在该过程结束时受影响的节点的总数最大化。该扩展集中在一个竞争的变种，其中涉及两个决策者。第一个，领导者，试图通过选择最有影响力的节点来最大化总的影响力传播，第二个，追随者，试图通过停用其中的一些节点来最小化它。制定的双层模型解决了完全枚举的小规模的情况下，大规模的情况下，通过一个数学。在这两种情况下，较低级别的问题，这是一个随机优化问题，近似通过样本平均近似方法。
2019-04-18 cs.SI physics.soc-ph
Opinion Maximization in Social Networks
通过不同观点的综合和对比形成意见的过程一直是经济学和社会科学中许多研究的主题。今天，这一过程也体现在在线社交网络和社交媒体中。成功的促销活动的关键特征是，他们考虑到这种意见形成的动态，以创造一个关于特定信息项目，如一个人，一个产品，或一个想法的整体有利的意见。在本文中，我们采用了一个完善的社会意见动态模型，并正式确定一组目标个人的积极意见的信息项将最大限度地提高整体积极的意见，在社会网络中的项目的问题的广告设计问题。我们把这个问题称为“竞选”。我们研究了CAMPAIGN问题的复杂性，并设计了求解该问题的算法，在实际数据上的实验证明了算法的有效性和实用性。
2013-01-30 cs.SI physics.soc-ph
Influence Maximization in Social Networks using Discretized Harris Hawks Optimization Algorithm and Neighbour Scout Strategy
影响力最大化（IM）是使用传播模型确定社交网络中的k个最佳影响力节点以最大化影响力传播的任务。IM是病毒式营销的一个突出问题，并在社交媒体广告中有很大帮助。然而，为现实世界的社交网络开发具有最小时间复杂度的有效算法仍然是一个挑战。虽然传统的启发式方法已被应用于IM，他们往往会导致最小的性能增益计算昂贵的贪婪为基础的方法和反向影响采样为基础的。在本文中，我们提出了离散化的自然启发式哈里斯霍克斯优化元启发式算法，使用社区结构的种子节点的最佳选择的影响力传播。除了哈里斯老鹰的情报之外，我们还采用了邻居侦察策略算法来避免盲目性并增强老鹰的搜索能力。此外，我们使用基于候选节点的随机种群初始化方法，这些候选节点有助于加速整个种群的收敛过程。我们评估了我们提出的DHHO方法的有效性六个社交网络使用独立级联模型的信息扩散。我们观察到，DHHO是可比的或优于竞争的元启发式方法的影响力最大化在五个指标，并执行明显优于竞争的启发式方法。
2022-11-17 cs.SI physics.soc-ph
Multiplex Influence Maximization in Online Social Networks with Heterogeneous Diffusion Models
在线社交网络，通过重叠的用户连接在一起的动机，我们研究的影响力最大化问题的多元化，每一层赋予自己的影响力扩散模型。这个问题是一个新版本的影响力最大化问题，需要新的分析，将在每一层的多路复用的传播类型。我们确定了一个新的属性，广义确定性的子模块，当满足在每一层的传播，确保传播的复用整体是子模块-在这种情况下，我们制定ISF，贪婪算法与近似比$(1 - 1/e)$。由于包括多个OSN的复用的大小可能包含数十亿用户，我们制定了一个算法KSN，并行运行在复用的每一层上。KSN将用于单层网络上的影响力最大化问题的$α$近似算法A作为输入，并且对于任意$ε> 0$具有近似比$\frac{(1-ε)α}{(o+1)k}$，$o$是重叠用户的数量，并且$k$是复用中的层的数量。在真实和合成多路复用上的实验验证了所提出的算法对异构多路复用中的影响力最大化问题的有效性。ISF和KSN的实现可在http://www.alankuhnle.com/papers/mim/mim.html上获得。
2018-02-05 cs.SI physics.soc-ph
Information Coverage Maximization in Social Networks
社交网络由于其流行性，近年来得到了广泛的研究。这些研究的丰富主体与影响力最大化有关，其目的是选择一组种子节点，以使过程结束时的活动节点的预期数量最大化。然而，主动节点集并不能完全代表信息传播的真实覆盖范围。当节点的任何邻居变得活跃并且尝试激活它时，节点可以被通知该信息，尽管该节点（即被通知的节点）仍然是不活跃的。因此，在研究网络中信息传播的覆盖时，需要同时考虑主动节点和知道信息的知情节点。沿着这条线，在本文中，我们提出了一个新的问题，称为信息覆盖最大化，旨在最大限度地提高预期数量的活跃节点和知情的。在证明了该问题在独立级联模型和线性阈值模型下是NP难的和次模块化的之后，我们设计了两个算法来解决该问题，并在三个真实数据集上进行了大量的实验，验证了所提算法的性能。
2015-10-13 cs.SI physics.soc-ph
Time-Critical Influence Maximization in Social Networks with Time-Delayed Diffusion Process
影响力最大化是在社交网络中找到一小组高影响力用户（也称为种子）的问题，使得在某些传播模型下的影响力传播最大化。在本文中，我们考虑时间关键的影响力最大化，其中一个人希望在给定的最后期限内最大限度地扩大影响力。由于时间被认为是在优化，我们还扩展了独立级联（IC）模型和线性阈值（LT）模型，将时间延迟方面的影响力扩散在社交网络中的个人。我们表明，时间延迟IC和LT模型下的时间关键的影响力最大化化保持所需的属性，如子模块化，这使得贪婪的近似算法，以实现近似比$1-1/e$。为了克服贪心算法的低效性，我们设计了两个启发式算法：第一种方法基于计算树结构和有向非循环子图中的精确影响的动态规划过程，第二种方法是将问题转化为原模型中的问题，然后应用已有的快速启发式算法求解，仿真结果表明，我们的算法达到了相同的效果传播的贪心算法，同时运行几个数量级更快，他们也优于现有的快速算法，忽略了最后期限的约束和延迟的扩散。
2015-07-13 cs.SI physics.soc-ph
On the Shoulders of Giants: Incremental Influence Maximization in Evolving Social Networks
识别最有影响力的个人可以为开发和部署有效的病毒式营销策略提供宝贵的帮助。以前的研究主要集中在设计有效的算法或算法来找到给定的静态社会网络上的前K个有影响力的节点。然而，事实上，现实世界的社交网络随着时间的推移而不断发展，并且对改变的网络的重新计算不可避免地导致长的运行时间，从而显著影响效率。本文从真实世界的痕迹中观察到，社会网络的演化遵循优先依附规则，影响力节点主要是从高度节点中选择出来的。这样的观察揭示了IncInf的设计，IncInf是一种增量方法，可以根据以前的信息而不是从头开始计算，在不断发展的社交网络中有效地定位前K个有影响力的个人。特别是，IncInf通过将拓扑演化的影响局限于局部区域来定量分析节点的影响扩散变化，并进一步提出了一种剪枝策略，有效地将搜索空间缩小到经历重大增长或度高的节点。我们在真实世界的动态社交网络（包括Facebook、NetHEPT和Flickr）上进行了广泛的实验。实验结果表明，与最先进的静态启发式算法相比，IncInf算法在保持影响扩散匹配性能的同时，在执行时间上实现了高达21倍的加速。
2015-08-05 cs.SI physics.soc-ph
Topology-driven Diversity for Targeted Influence Maximization with Application to User Engagement in Social Networks
对影响力最大化的研究往往要应付与向特定用户传播信息有关的营销需求。然而，很少有人注意到这样一个事实，即信息扩散运动的成功可能不仅取决于被检测到的初始影响者的数量，而且还取决于他们的多样性。竞选的目标。我们的主要假设是，如果我们学习的种子不仅能够影响，而且与更多样化的用户（群体）相关联，那么影响触发器也会多样化，因此目标用户将获得更高的参与机会。基于这种直觉，我们定义了一个新的问题，命名为多样性敏感的有针对性的影响力最大化（DTIM），它假设模型用户多样性，只利用拓扑信息的社会图。据我们所知，我们是第一个把拓扑驱动的多样性的概念到有针对性的IM问题，为此我们定义了两个替代的定义。因此，我们提出了近似的解决方案DTIM，检测一组大小为k的用户，最大限度地提高多样性敏感的资本目标函数，对于一个给定的选择目标用户。我们评估我们的DTIM方法在一个特殊的情况下，用户参与在线社交网络，这涉及到用户谁不积极参与社区生活。在真实网络上的实验评估证明了我们的方法的意义，也突出了进一步开发DTIM应用程序的解决方案的机会。
2018-04-20 cs.SI physics.soc-ph
Influence Blocking Maximization in Social Networks under the Competitive Linear Threshold Model Technical Report
在许多现实世界中，不同的，往往是相反的意见，创新，或产品是相互竞争的社会影响力在网络社会。本文研究了竞争线性阈值（CLT）模型下社交网络中的竞争影响力传播。在CLT模型下，我们关注的问题是，一个实体试图阻止其竞争实体的影响力传播尽可能多的战略选择了一些种子节点，可以启动自己的影响力传播。我们把这个问题称为影响阻塞最大化（IBM）问题。我们证明了CLT模型中IBM的目标函数是次模的，因此贪心算法可以达到1 - 1/e的近似比。然而，贪心算法需要对竞争影响传播进行蒙特卡罗模拟，这使得该算法效率不高。我们设计了一个有效的算法CLDAG，它利用CLT模型的属性，来解决这个问题。我们对CLDAG、贪心算法和其他基线算法在真实世界和合成数据集上进行了广泛的模拟。我们的研究结果表明，CLDAG是能够提供最好的精度与贪心算法，往往优于其他算法，而它是两个数量级的速度比贪心算法。
2011-10-21 cs.SI physics.soc-ph
Scalable Cost-Aware Multi-Way Influence Maximization
病毒式营销不同于其他营销策略，因为它利用了亲密关系中的影响力，例如，亲密的朋友，家庭成员，夫妻由于Facebook、Twitter和Pinterest等社交网络服务的发展和普及，近年来出现了“社交媒体营销”的新概念，并为在线实现大规模和流行的病毒式营销提供了新的机会。为了促进销售增长，企业正在大力拥抱社交媒体。据《今日美国》报道，运行企业社交网络的软件销售额将以每年61%的速度增长，到2016年将达到$6.4$亿美元的规模。
2015-06-26 cs.DS cs.SI physics.soc-ph
A Survey on Influence Maximization in a Social Network
给定一个以扩散概率作为边权重和整数k的社交网络，应该选择哪k个节点进行信息的初始注入，以最大化网络中的影响力？这个问题被称为社会网络中的目标集选择（TSS问题），更通俗地说，是社会影响力最大化问题（SIM问题）。这是一个活跃的研究领域，在计算社会网络分析领域，因为一个半年左右。由于其在各个领域的实际重要性，如病毒式营销，目标广告，个性化推荐，该问题已经在不同的变体中进行了研究，多年来已经提出了不同的解决方法。因此，有必要对这一专题进行有组织的全面审查。本文综述了TSS问题的研究进展。最后，对当前的研究趋势和未来的研究方向进行了展望。
2018-08-16 cs.SI
Influence Maximization for Social Good: Use of Social Networks in Low Resource Communities
本论文的主要技术贡献在于：（i）定义了不确定性下的动态影响力最大化（DIME）问题，它准确地模拟了无家可归者收容所所面临的问题;（ii）提出了一种新的部分可观测马尔可夫决策过程（POMDP）模型来解决DIME问题;（iii）设计了两个可扩展的POMDP算法（PSINET和HEALER）用于解决DIME问题，因为常规POMDP求解器不能按比例放大到感兴趣的尺寸;和（iv）我们通过对洛杉矶无家可归的年轻人进行试点研究来测试我们的算法在现实世界中的有效性。这一试点的成功（如后所述）显示了在更大范围内将影响力最大化用于社会公益的前景。
2019-12-03 cs.AI cs.SI
Least Cost Influence Maximization Across Multiple Social Networks
近年来，在在线社交网络（OSN）中，最小成本影响（LCI）问题已成为核心研究课题之一。它的目的是确定最少数量的种子用户谁可以触发一个广泛的信息传播级联。现有的文献大多只研究单个网络的LCI问题。然而，现在的用户往往加入几个OSN，这样的信息可以同时在不同的网络传播。因此，为了获得最佳的种子用户集，在这种情况下，考虑重叠用户的作用至关重要。在这篇文章中，我们提出了一个统一的框架来表示和分析多重网络中的影响力扩散。更具体地说，我们通过无损和有损耦合方案将一组网络映射到单个网络来解决LCI问题。无损耦合方案保留了原始网络的所有属性，以实现高质量的解决方案，而有损耦合方案提供了一个有吸引力的替代方案时，运行时间和内存消耗的主要关注。在真实和合成数据集上进行的各种实验验证了耦合方案的有效性，这也为多重网络中的影响传播过程提供了一些有趣的见解。
2016-06-29 cs.SI physics.soc-ph
Influence Diffusion Dynamics and Influence Maximization in Social Networks with Friend and Foe Relationships
大规模在线社交网络（OSNs）中的影响力扩散和影响力最大化已被广泛研究，因为它们对实现有效的在线病毒式营销的影响。现有的研究集中在只有友谊关系的社交网络上，而在许多OSN中普遍存在的敌人或敌人关系，例如，Epperly和Slashdot完全被忽略了。在本文中，我们第一次尝试研究的影响力扩散和影响力最大化在OSN的朋友和敌人的关系，这是建模使用正负边的签署网络。特别是，我们扩展了经典的选民模型签署网络和两个相反的意见的影响力扩散的动力学分析。我们首先提供了系统的特性，在这个模型中的影响力扩散的短期和长期动态，并说明了动态的稳态行为取决于三种类型的图结构，我们称之为平衡图，反平衡图，严格不平衡图。然后，我们应用我们的研究结果来解决的影响力最大化的问题，并制定有效的算法来选择初始种子的一个意见，最大限度地提高其短期的影响覆盖或长期稳定状态的影响覆盖。在合成网络和真实网络（如Epperly和Slashdot）上的大量仿真结果证实了我们对影响力扩散动力学的理论分析，并证明了我们的影响力最大化算法优于其他启发式算法的有效性。
2012-12-01 cs.DM cs.SI physics.soc-ph
Profit Maximization over Social Networks
影响力最大化是在社交网络中找到一组有影响力的用户，使得在特定传播模型下的影响力的预期传播最大化的问题。以前的许多工作都忽略了社会影响力和实际产品采用之间的重要区别。然而，正如管理科学文献中所认识到的那样，受到社会熟人影响的个人可能不一定会采用某种产品（或技术），例如，对金钱的担忧。在这项工作中，我们明确建模的影响和采用的产品的状态之间的区别影响和采用。我们扩展了经典的线性阈值（LT）模型，将价格和估值，并将其纳入用户采用产品的决策过程。我们表明，我们提出的模型下的预期利润函数在一定条件下保持子模块性，但不再表现出单调性，不像预期的影响力传播函数。为了最大化我们的扩展LT模型下的预期利润，我们采用了一个无预算的贪婪框架，提出了三个利润最大化算法。在三个真实数据集上进行的详细实验研究表明，在三种算法中，基于每个候选种子的利润潜力动态分配价格的\textsf{PAGE}在预期利润和运行时间上都具有最佳性能。
2013-06-05 cs.GT cs.SI physics.soc-ph
Liars are more influential: Effect of Deception in Influence Maximization on Social Networks
在社交网络中发现有影响力的用户，称为影响力最大化问题，是一个重要的图挖掘问题，在信息传播、市场广告、谣言控制等领域有着广泛的应用。社交网络中有影响力的用户检测问题在文献中有很多研究。尽管目前的方法在许多不同的应用中得到了成功的应用，但它们假设用户彼此诚实，而忽略了欺骗在社交网络上的作用。另一方面，在社交网络中，欺骗似乎是令人惊讶的普遍现象。本文研究了社交网络上欺骗对影响力最大化的影响。我们首先对社交网络中的欺骗进行建模。然后，我们在这些网络上的意见动力学模型，考虑到欺骗感谢最近的意见动力学模型通过层拉普拉斯。然后，我们扩展了两个有影响力的节点检测方法，即拉普拉斯中心性和DFF中心性，层拉普拉斯测量欺骗的影响，影响力最大化。我们在合成网络和真实网络上的实验结果表明，在社交网络中，说谎者比诚实的用户更有影响力。
2022-03-21 cs.SI math.AT
A Social Influence Model Based On Circuit Theory
了解信息传播行为对于有效利用社交网络中的社会影响力至关重要。然而，很少有现有的影响力模型是易于处理的，有效的描述信息传播过程中，特别是当处理的困难，将来自多个节点的组合影响的影响。为此，在本文中，我们提供了一个社会影响力模型，阐明了这一障碍的基础上电路理论。该模型极大地提高了测量任何一对节点之间的影响力强度的效率，并且可以用于以连贯的方式解释现实世界的影响力传播过程。此外，这个电路理论模型为社会影响力最大化问题提供了一个自然的解决方案。当应用于实际数据时，电路理论模型始终优于最先进的方法，并且可以大大减轻影响力最大化问题的计算负担。
2012-06-08 cs.SI physics.soc-ph
Seed Selection and Social Coupon Allocation for Redemption Maximization in Online Social Networks
在线社交网络已经成为利用信息扩散中的社会影响力进行有效病毒式营销的媒介。然而，新兴的应用社会优惠券（SC）纳入社会推荐优惠券不能有效地解决以往的研究，不考虑SC分配的影响。分配的SC的数量限制了每个用户的受影响的朋友的数量。在本文中，我们不仅研究了种子的选择问题，但SC分配的效果，以优化赎回率，这代表了SC分配的效率。在此基础上，提出了一个基于最大赎回的种子选择和供应链分配问题，并证明了该问题的困难性。我们设计了一种具有性能保证的有效算法，称为种子选择和社交优惠券分配算法。对于S3CRM，我们引入了边际赎回的概念来评估种子和SC的投资效率。此外，为了实现均衡投资，我们提出了一种称为保证路径的新的图结构，以探索最优化赎回率的机会。最后，我们对我们提出的算法与各种基线进行了综合评估。结果验证了我们的想法，并显示所提出的算法的有效性超过基线。
2019-02-20 cs.SI
Don't Be Greedy: Leveraging Community Structure to Find High Quality Seed Sets for Influence Maximization
我们考虑通过选择固定数量的初始种子来最大化社会网络中的影响力传播的问题-这是网络级联研究中的一个中心问题。关于这个问题的大多数现有工作，正式称为影响力最大化问题，是为子模块叶栅设计的。尽管经验证据表明，许多级联是非次模块化的，但很少有工作集中在非次模块化的影响力最大化。我们提出了一个新的启发式解决的影响力最大化问题，并通过模拟现实世界和合成网络，我们的算法输出更有影响力的种子集比国家的最先进的贪心算法在许多自然情况下，平均提高了7%的子模块级联，和55%的非子模块级联。我们的启发式使用动态规划方法的社会网络的层次分解，利用之间的关系的传播级联和社区结构的社交网络。我们验证了网络结构的重要性，通过显示层次分解的质量影响我们的算法输出的种子集的质量。我们还提出了“最坏情况”的理论结果证明，在某些设置中，我们的算法输出的种子集是一个因素的$Θ(\sqrt{n})$更有影响力的贪心算法，其中$n$是网络中的节点数。最后，我们将我们的算法推广到一个消息传递版本，可以用来找到种子集，至少有尽可能多的影响力的动态规划算法。
2016-09-21 cs.SI physics.soc-ph
Robust Influence Maximization
模型和数据的不确定性在计算社会科学中无处不在，它需要强大的社交网络算法，可以同时提供一系列模型和参数设置的保证。我们开始调查到这个广泛的领域，通过研究强大的算法的影响力最大化问题，其中的目标是确定一组k个节点的社会网络的联合影响网络上最大化。我们定义了一个鲁棒影响力最大化框架，其中的算法是一组影响力函数，通常来自不同的影响力模型或不同的参数设置相同的模型。不同的参数设置可以根据不同专题、不同条件或不同时间观察到的级联得出。该算法的目标是确定一组k个节点谁是同时影响所有的影响力函数，相比（功能特定的）最佳解决方案。我们表现出很强的近似硬度的结果，这个问题，除非该算法得到选择至少一个对数因子比最优解更多的种子。然而，当足够多的额外的种子可以被选择，我们表明，Krause等人的技术。可以用来近似的最佳鲁棒的影响，在1 - 1/e的一个因素。我们评估这个双准则近似算法对自然几何学在几个现实世界的数据集。我们的实验表明，最坏情况下的硬度并不一定转化为现实世界的数据集上的性能差，所有的算法都表现得相当不错。
2016-06-10 cs.SI physics.soc-ph
Generating social networks with static and dynamic utility-maximization approaches
本文提出基于效用最大化的社交网络生成框架，并开发静态与动态两个版本的人工网络生成器，以支持从经验数据复现网络及分析个体行为约束对网络结构的影响。
2024-11-25 cs.SI math.PR physics.soc-ph
Diversifying Seeds and Audience in Social Influence Maximization
影响力最大化（IM）已被广泛研究，以更好地进行病毒式营销。然而，以前的作品不太强调如何平衡地影响观众在不同的社区，以及如何选择种子节点。在本文中，我们将观众多样性和种子多样性的IM任务。从模型的角度来看，为了在我们的目标函数中表征影响力传播和多样性，我们采用了经济学中常用的三种效用（即，完全替代、完全互补和Cobb-Douglas）。我们通过展示这三个函数的良好性质来验证我们对它们的选择。从算法的角度来看，我们提出了各种近似策略，以最大限度地提高效用。在观众多样化，我们提出了一个解决方案依赖的近似算法，以规避硬度的结果。在种子多样化中，我们证明了一个（$1/e-ε$）近似比的基础上非单调子模最大化。实验结果表明，该框架在效用最大化和结果多样化方面都优于其他自然算法。
2020-03-30 cs.SI
Profit Maximization in Social Networks and Non-monotone DR-submodular Maximization
本文研究了整数格上非单调DR-子模函数极大化问题。定义了整数格上的函数的次模性质，类似于集合函数的次模性。DR-次模是整数格上函数的进一步扩展的次模概念，它捕获了收益递减性质。这样的函数在机器学习、社交网络、无线网络等中有许多应用。用于子模集函数最大化的技术可以应用于DR-子模函数最大化，例如，双贪心算法具有$1/2$ -近似比，其运行时间为$O(nB)$，其中$n$是基集的大小，$B$是坐标的整数界。在我们的研究中，我们设计了一个$1/2$ -近似二分搜索双贪心算法，我们证明了它的时间复杂度为$O(n\log B)$，显著提高了运行时间。具体地，我们考虑了它在社交网络中的应用，该问题是一个二部模型，目标是最大化产品促销活动的净利润，即影响力收益与促销成本之差。我们证明了目标函数是整数格上的DR-子模。将二分查找双贪心算法应用于该问题，并验证了其有效性。
2022-12-13 cs.DS cs.SI
Influence Maximization in Real-World Closed Social Networks
在过去的几年里，许多封闭的社交网络，如WhatsAPP和微信，已经出现，以满足人们日益增长的隐私和独立的需求。在封闭的社交网络中，发布的内容并不对所有用户可用，或者Facebook可以对谁可以看到发布的内容设置限制。在这样的约束下，我们研究封闭社交网络中的影响力最大化问题。它旨在向用户（不仅仅是种子用户）推荐有限数量的现有朋友，这些朋友将有助于传播信息，从而使种子用户的影响力传播可以最大化。我们首先证明了这个问题是NP-困难的。然后，我们提出了一种非常有效的方法来增强扩散网络，该网络最初仅由种子用户组成。通过迭代和智能地从原始网络中选择和插入有限数量的边来完成增强。通过在真实世界的社交网络上进行广泛的实验，包括部署到真实世界的应用程序中，我们证明了我们所提出的方法的有效性和效率。
2022-09-21 cs.SI
Predicting Adoption Probabilities in Social Networks
在社交网络中，采用概率是指社会实体在可预见的未来采用产品，服务或意见的概率。这种概率是社会网络分析中基本问题的核心，包括影响力最大化问题。在实践中，采用概率有显着的影响，从基于社交网络的目标营销的政治运动的应用程序，然而，预测采用概率还没有得到足够的研究关注。相关的社会网络理论的基础上，我们确定和操作的关键因素，影响采用决策：社会影响力，结构等效性，实体相似性和混杂因素。然后，我们开发了用于朴素贝叶斯学习的局部加权期望最大化方法，以根据这些因素预测采用概率。在这项研究中解决的主要挑战是如何预测采用概率的存在下，通常无法观察到的混杂因素。使用两个大规模的社交网络的数据，我们证明了所提出的方法的有效性。实证结果还表明，级联方法主要利用社会影响力来预测采用概率提供有限的预测能力，而混杂因素是采用概率预测的关键。
2013-09-24 cs.SI physics.soc-ph
Tell me something my friends do not know: Diversity maximization in social networks
社交媒体有很大的潜力来改善我们社会中的信息传播，然而，它们对一些不良影响负有责任，例如两极分化和过滤泡沫。因此，必须了解这些消极现象，并制定打击这些现象的方法。在本文中，我们提出了一种新的方法来解决在社交媒体中打破过滤器泡沫的问题。我们这样做的目的是最大限度地提高信息的多样性，接触到连接的社交媒体用户。我们制定的问题，最大限度地提高曝光的多样性作为一个二次背包问题。我们表明，建议的多样性最大化问题是不可近似的，因此，我们诉诸多项式非近似算法，启发的解决方案开发的二次背包问题，以及可扩展的贪婪算法。我们补充我们的算法与实例特定的上界，这是用来提供经验近似保证给定的问题实例。我们的实验评估表明，一个建议的贪心算法其次是随机局部搜索的算法的选择，鉴于其质量与。效率权衡。
2018-11-26 cs.SI
BCIM: Budget and capacity constrained influence maximization in multilayer networks
针对现有带预算影响最大化问题仅考虑预算约束、适配性不足的问题，提出多层网络下的BCIM问题及MMGA算法，满足双约束且效率更高，传播性能较基线提升至少10%，开辟了影响最大化研究新方向。
2024-10-07 cs.SI
Incentive Compatible Influence Maximization in Social Networks and Application to Viral Marketing
信息扩散和影响力最大化是社交网络中的重要问题，也是广泛研究的问题。在影响力最大化问题的背景下，文献中已经提出了各种模型和算法。所有这些研究中的一个关键假设是，社会规划者知道影响概率。这种假设是不现实的，因为影响概率通常是个体代理人的私人信息，战略代理人可能不会如实地透露它们。此外，影响概率可以随着网络中流动的信息的类型和信息在网络中传播的时间而显著变化。在本文中，我们使用一个机制设计的方法，从代理人真实地得出影响概率。我们首先使用一个简单的模型，即影响者模型，在这个模型中，我们假设每个用户都知道她对邻居的影响程度，但这是私人信息。在第二个模型中，影响者-受影响者模型，这是更现实的，我们通过结合影响者和受影响者报告的概率值来确定影响概率。在第一个模型的背景下，我们提出了如何VCG（Vickrey-Clarke-Groves）机制可以用来真实地引出的影响概率。我们的主要贡献是设计一个评分规则为基础的机制的影响者-受影响者模型的上下文中。特别是，我们的激励相容性的机制时，评分规则是适当的，并提出了一个反向加权评分规则为基础的机制作为一个适当的机制来使用。我们还简要讨论了这样一个机制在病毒式营销应用的实施。
2011-02-07 cs.GT cs.SI physics.soc-ph
The Social Sphere Model: Heuristic Influence Prediction in Evolving Networks
Harvard University（哈佛大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；MIT（麻省理工学院）
本文提出社会球体模型，结合期望值、基于路径的链路预测指标和启发式影响力最大化策略，以较低计算成本有效识别加权网络中的未来关键节点。
2025-07-03 cs.SI physics.soc-ph
Adaptive Influence Maximization in Dynamic Social Networks
为了通过社交网络传播信息和思想，种子策略的目的是找到一个小的种子用户，能够最大限度地扩大影响力的传播，这被称为影响力最大化问题。尽管已有大量的研究成果对该问题进行了研究，但现有的播种策略仅限于静态的社交网络。事实上，由于数据传输的高速性和参与者的庞大性，现实世界的社交网络中的扩散过程具有许多方面的不确定性。不幸的是，如实验所示，在这种情况下，最先进的播种策略是悲观的，因为它们无法跟踪社交网络中的动态变化。在本文中，我们研究的策略选择种子用户的自适应方式。我们首先形式化建模的动态独立级联模型，并引入自适应播种策略的概念。然后基于所提出的模型，我们表明，一个简单的贪婪自适应播种策略找到了一个有效的解决方案，可证明的性能保证。除了贪心算法之外，为了满足实际需要，还提出了一种有效的启发式算法。在真实网络和合成幂律网络上进行了大量的实验。本文的结果证明了自适应播种策略优于其他标准方法。
2015-06-20 cs.SI
Influence Maximization in Multi-layer Social Networks Based on Differentiated Graph Embeddings
本文提出Inf-MDE，一种基于差异化图嵌入的多层社交网络影响力最大化方法，通过自适应局部影响力聚合机制，有效捕获层间异质性与层内扩散动态，在多个数据集上显著优于现有方法。
2025-08-14 cs.SI
CLAIM: Curriculum Learning Policy for Influence Maximization in Unknown Social Networks
Singapore Management University（新加坡管理大学）
影响力最大化是在网络中找到一个可以最大化信息扩散的节点子集的问题。最近，它还被应用于艾滋病毒预防、药物滥用预防、小额信贷采用等，其中目标是识别现实世界物理社交网络中能够向一大群人传播信息的对等领导者的集合。与在线社交网络不同，真实世界的网络并不完全已知，并且收集关于网络的信息是昂贵的，因为它涉及调查多个人。在本文中，我们专注于这个问题的网络发现影响力最大化。在这个方向上的现有工作提出了一个强化学习框架。由于现实世界中的环境交互是昂贵的，因此强化学习算法具有最小可能的环境交互，即样本效率是重要的。在这项工作中，我们提出了索赔-课程学习政策的影响力最大化，以提高样本效率的RL方法。我们在真实世界的数据集上进行了实验，并表明我们的方法可以优于目前最好的方法。
2021-07-08 cs.AI cs.SI
A Community-Aware Framework for Social Influence Maximization
Purdue University（普渡大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Iowa State University（爱荷华州立大学）；KAUST（阿卜杜拉国王科技大学）
我们考虑影响力最大化（IM）问题，即在社交网络中选择$k$种子节点的任务，以便最大化受影响的节点的预期数量。我们提出了一个社区意识分而治之的框架，涉及（i）学习社会网络的固有社区结构，（ii）通过解决每个社区的影响力最大化问题生成候选解决方案，以及（iii）选择最终的种子节点使用一种新的渐进式预算方案。我们在现实世界的社交网络上的实验表明，该框架优于标准方法的运行时间和探试法的影响。我们还研究了社区结构对所提出的框架的性能的影响。我们的实验表明，社区结构具有较高的模块化导致所提出的框架，以执行更好的运行时间和影响力。
2023-02-19 cs.AI cs.SI
Continuous Activity Maximization in Online Social Networks
活动最大化是在给定的社交网络中寻找一小部分用户，使预期的总活动收益最大化的任务。这是许多实际应用的概括。本文将活动最大化问题推广到一般营销策略$\vec{x}$下的活动最大化问题，$\vec{x}$是一个来自格空间的$d$维向量，它具有激活节点$u$作为种子的概率$h_u(\vec{x})$.在此基础上，我们提出了连续活动最大化（CAM）问题，其中域是连续的，我们选择的种子集符合一定的概率分布。研究格约束下的信息扩散问题是一个新的课题，因此，本文对该问题进行了系统的研究。本文首先分析了CAM的难点，以及如何准确有效地计算CAM的目标函数。我们证明了这个目标函数是单调的，但不是DR-次模的，也不是DR-超模的。然后，我们建立了CAM的单调和DR-次模的下界和上界，并应用抽样技术设计了CAM的三个无偏估计及其下界和上界。其次，从IMM算法和三明治近似框架，我们得到了一个依赖于数据的近似比。这个过程可以看作是解决格上而非DR-子模上极大化问题的一般方法。最后，我们在三个真实世界的数据集上进行实验，以评估我们提出的算法的正确性和有效性。
2020-03-25 cs.SI
Algorithms for Influence Maximization in Socio-Physical Networks
给定一个有向图（表示一个社交网络），影响力最大化问题是找到k个节点，当这些节点受到影响（或被激活）时，将最大化被激活的剩余节点的数量。在本文中，我们考虑了一个更一般的版本的问题，包括一个额外的一组节点，称为物理节点，这样的一个节点在社会网络中的一个或多个物理节点覆盖。物理节点在任何时候都以两种状态之一存在，打开或关闭，并且可以打开的物理节点的最大数量有限制。在该设置中，如果社交网络中的不活动节点在社交网络中具有足够的活动邻居并且如果它被开放的物理节点中的至少一个覆盖，则社交网络中的不活动节点变为活动的。这个问题出现在灾难恢复中，在灾难发生后，只有在其社交网络中的足够多的群体返回并且其附近的一些基础设施组件得到修复后，流离失所的社会群体才决定返回。一般的问题是NP-难近似在任何常数因子，因此，我们的特点是最佳和近似算法的特殊情况下的问题。
2020-11-30 cs.SI
Influence Maximization on Dynamic Social Networks with Conjugate Learning Automata
从所有顶点中选择最佳子集作为种子，以最大化社交网络中的影响力，一直是一个感兴趣的任务。已经提出了各种方法来选择静态网络中的最优顶点，然而，它们受到动态性的挑战，即社会网络结构的时间依赖性变化。这种动态阻碍了静态网络的范式，并在静态网络上的影响力最大化算法和动态网络上的算法之间留下了似乎不可逾越的鸿沟。在本文中，我们扩展了我们以前的工作，并证明了共轭学习自动机（强化学习的一个基本变体），已成功地应用于静态网络的影响最大化，可以应用于动态网络。网络动态性通过影响范围的变化来衡量，并被吸收到学习过程中。我们的建议微妙地阐述了网络动态的影响：影响范围变化越大，种子就越有可能从头开始学习。在这种假设下，网络变化的连续性得到充分利用。在合成网络和真实网络上的实验结果验证了我们的建议对替代方法的特权。
2020-10-21 cs.SI
Influence Maximization in Social Networks: A Survey of Behaviour-Aware Methods
本文针对当前社交网络影响力最大化研究中缺乏行为感知方法全面综述的空白，梳理相关方法并提出分类体系，填补了该领域的研究缺口。
2023-05-04 cs.SI
A Linear Circuit Model For Social Influence Analysis
了解信息传播行为对于有效利用社交网络中的社会影响力至关重要。然而，现有的影响力模型是既听话，有效地描述信息传播过程和定量测量的社会影响力。为此，在本文中，我们开发了一个线性的社会影响力模型，命名为电路，由于它的密切关系的电路网络。基于预定义的社会影响力的四个公理，我们首先证明了我们的模型可以有效地测量任何一对节点之间的影响力强度。沿着这条线，识别节点的影响的上限以用于潜在的使用，例如，减小了搜索空间。此外，我们还提供了电路模型的物理含义，并深入分析了它与现有方法（如PageRank）的关系。然后，我们提出电路模型提供了一个自然的解决方案，计算每个节点的权威，并找到一组节点的社会影响力最大化的问题。最后，该模型的有效性进行了评估，在现实世界的数据。大量的实验结果表明，电路模型始终优于国家的最先进的方法，可以大大减轻影响力最大化问题的计算负担。
2012-09-10 cs.SI physics.soc-ph
Activity Maximization by Effective Information Diffusion in Social Networks
在社交网络中，即使是相同的信息，不同用户对之间的兴奋度也是不同的。如果你想传播一条新的信息，并最大限度地提高预期的兴奋总量，你应该选择哪些种子用户？这个问题确实与著名的影响力最大化问题有很大的不同，并且不能使用现有的方法来解决。在本文中，在一些有趣的应用程序的需求的动机下，我们模拟活动最大化的新问题。我们系统地解决这个问题。我们首先分析问题的复杂性和可逼近性。我们开发了一个上界和下界，子模块，使三明治框架可以应用。然后，我们设计了一个基于轮询的随机算法，保证了数据依赖的近似因子。我们在三个真实数据集上的实验清楚地验证了我们的方法的有效性和可扩展性，以及我们的方法相对于其他探试法的优势。
2016-10-25 cs.DB cs.SI
A Random Algorithm for Profit Maximization with Multiple Adoptions in Online Social Networks
针对在线社交网络中多产品采纳的利润最大化问题，提出基于反向影响力采样的随机化修正贪婪算法，实现近最优近似比，并在真实网络上验证其优于现有方法。
2021-01-15 cs.SI
A Reverse Reachable Set Based Approach for Motif Oriented Profit maximization in Social Networks
Indian Institute of Technology Jammu（印度技术学院詹穆分校）
本文提出了一种基于逆向可达集的方法，用于在社交网络中通过动机导向最大化利润，通过优化种子节点选择以提高利润收益。
2025-12-22 cs.SI
Real-Time Influence Maximization on Dynamic Social Streams
影响力最大化（Influence Maximization，IM）是一个基本问题，它选择一组$k$用户（称为种子）来最大化在社交网络上的影响力，广泛应用于病毒式营销和网络监控。现有的IM解决方案未能考虑社会影响的高度动态性质，这导致网络演化时种子质量差或处理时间长。为了解决这个问题，我们定义了一个新的IM查询命名为流影响力最大化（SIM）的社会流。技术上，SIM采用滑动窗口模型，并维护一组对最近的社交行为具有最大影响值的$k$种子。接下来，我们提出了影响检查点（IC）框架，以促进连续SIM查询处理。IC框架为每个窗口幻灯片创建检查点，并确保获得$\varepsilon$近似解。为了提高其效率，我们进一步设计了一个稀疏影响检查点（SIC）框架，选择性地保持$O(\frac{\log{N}}β)$检查点的大小$N$的滑动窗口，并保持一个$\frac{\varepsilon(1-β)}{2}$近似的解决方案。在真实世界和合成数据集上的实验结果证实了我们提出的框架对最先进的IM方法的有效性和效率。
2017-02-06 cs.DS cs.SI
Fairness-aware Competitive Bidding Influence Maximization in Social Networks
针对竞争性影响力最大化中忽视节点起拍价与预算效率的问题，提出CBIM问题及FMCBIM框架，通过多智能体环境、动态起拍价机制和MCBIM算法优化竞价策略。
2023-08-20 cs.SI
Influence Maximization in Social Networks: A Survey
本文综述了社交网络中影响力最大化（IM）问题的研究进展，回顾了信息扩散模型与经典IM算法，提出分类法并按时间整理里程碑工作，同时探讨了面向应用的研究及未来开放性问题。
2023-09-09 cs.SI
From Competition to Complementarity: Comparative Influence Diffusion and Maximization
影响力最大化是一个研究得很好的问题，它要求从社交网络中获得一小部分有影响力的用户，这样通过将他们作为早期采用者，通过网络上的影响力级联来最大化预期的总采用率。然而，几乎所有先前的工作都集中在单个传播实体或纯竞争实体的级联上。在这项工作中，我们提出了比较独立级联（Com-IC）模型，涵盖了从竞争到互补的实体相互作用的全方位。在Com-IC中，用户的采用决策不仅取决于边缘级信息传播，而且还取决于节点级自动机，其行为由一组模型参数控制，使我们的模型不仅能够捕获竞争，而且能够在任何可能的程度上实现互补。我们研究了两个自然优化问题，自影响力最大化和互补影响力最大化，在一个新的设置与互补的实体。这两个问题都是NP难的，我们设计了高效和有效的近似算法通过非平凡技术的基础上，反向可达集和一种新的“三明治近似”。这两种技术的适用性超出了我们的模型和问题。我们的实验表明，所提出的算法始终优于直观的基线在四个现实世界的社交网络，往往是一个显着的保证金。此外，我们从真实的用户操作日志中学习模型参数。
2015-11-05 cs.SI physics.soc-ph
StaticGreedy: solving the scalability-accuracy dilemma in influence maximization
影响力最大化，定义为找到一组种子节点以触发影响力最大化传播的问题，对于社交网络上的病毒式营销至关重要。对于大规模社交网络上的实际病毒式营销，要求影响力最大化算法既要有保证的准确性，又要有较高的可扩展性。然而，现有的算法存在可扩展性与精度的矛盾：传统的贪心算法以昂贵的计算量保证精度，而可扩展的启发式算法精度不稳定。在本文中，我们专注于解决这个可扩展性-准确性的困境。我们指出，困境的根本原因是令人惊讶的事实，子模块，一个贪心算法的目标函数的一个关键要求，是不能保证在所有传统的贪心算法的影响力最大化。因此，一个贪心算法必须提供大量的蒙特卡罗模拟，以减少所造成的痛苦，不保证子模块。基于这一重要发现，我们提出了一个静态的贪心算法，名为StaticGreedy，严格保证种子选择过程中的影响扩散函数的子模块。该算法在保证精度的前提下，使计算量减少了两个数量级。此外，我们还提出了一种动态更新策略，在大规模社交网络上，该策略可以将静态贪婪算法的速度提高2-7倍。
2014-02-17 cs.DS cs.SI physics.soc-ph
Two Evidential Data Based Models for Influence Maximization in Twitter
影响力最大化是在社交网络中选择一组有影响力的用户的问题。这些用户可以采用该产品，并通过“口碑”效应引发大量采用。在本文中，我们提出了两个Twitter社交网络的证据影响力最大化模型。该方法利用信度函数理论来估计用户的影响力。此外，所提出的影响力估计措施融合了Twitter的许多影响力方面，如用户在网络结构中的重要性和用户的推文（消息）的受欢迎程度。在我们的实验中，我们将所提出的解决方案与现有的解决方案进行了比较，并展示了我们模型的性能。
2017-01-20 cs.SI
Opinion-aware Influence Maximization in Online Social Networks
本文研究意见感知的影响力最大化问题，提出基于反向可达集和夹逼近似的算法，在保证正面意见扩散的同时抑制负面意见传播，并在三个真实数据集上验证了其优越性。
2023-01-27 cs.SI
Opinion Maximization in Social Networks by Modifying Internal Opinions
College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院）；Fudan University（复旦大学）
本文提出通过修改关键节点内部意见来最大化社交网络整体意见，采用高效采样算法和确定性异步算法，实现高效率和精度的优化方案。
2025-10-20 cs.DS cs.SI
