Monotone Submodular Diversity functions for Categorical Vectors with Application to Diversification of Seeds for Targeted Influence Maximization
将多样性嵌入到知识发现任务中对于增强挖掘模式的意义至关重要,这些模式具有与新颖性,偶然性和道德相关的高影响力方面。令人惊讶的是,在社交网络中影响力最大化的经典问题中,相对较少的研究致力于多样性及其融入影响力最大化方法的目标函数。在这项工作中,我们提出了一个边信息为基础的概念,种子多样性的目标函数的目标影响力最大化问题的集成。从假设边信息是在节点级别的分类属性值的一般形式,我们设计了一类单调子模块功能,专门构思用于确定一组分类配置文件内的多样性与种子被发现。这使我们能够开发一种有效的可扩展的近似方法,具有恒定的最优因子保证。更确切地说,我们制定了基于属性的多样性敏感的有针对性的影响力最大化问题下的国家的最先进的反向影响抽样框架,我们开发了一种方法,称为ADITUM,确保(1-1/e-ε)-近似解下的一般触发扩散模型。我们在五个真实世界的网络上对ADITUM进行了实验评估,包括与利用基于数值属性的多样性和拓扑驱动的多样性来实现影响力最大化的方法进行比较。
2019-12-08 cs.DS cs.SI physics.soc-ph
An Integrated Epidemic Simulation Workflow for Submodular Intervention Strategies
本文提出一个集成Covasim模拟器与PREEMPT子模优化工具的流行病模拟工作流,用于测试COVID-19等传染病在不同干预方案下的传播,并展示初步实证结果。
2024-11-07 cs.SI
On the Submodularity of Influence in Social Networks
我们证明并扩展了Kempe,Kleinberg,and Tardos(KKT)关于社交网络中影响力传播的一个猜想。社交网络可以由有向图表示,其中节点是个体,边指示社交关系的形式。一个简单的方法来模拟思想的传播,创新行为,或"口碑“效应在这样一个图是考虑一个增过程的"感染”(或活动)节点:每个节点成为感染一旦激活函数的一组感染的邻居超过一定的门限值。这种模型是由KKT在\cite{KeKlTa:03,KeKlTa:05}中引入的,作者还强加了几个自然假设:门限值是(一致)随机的;激活函数是单调的和次模的。对于活动节点$S$的初始集合,令$σ(S)$表示终止时活动节点的预期数量。本文证明了KKT的一个猜想:在上述假设下,证明了函数$σ(S)$是次模的。我们证明了相同的结果为期望值的任何单调,次模函数的一组活动节点在终止。
2009-07-28 cs.GT cs.SI math.PR
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
Beyond Worst-Case (In)approximability of Nonsubmodular Influence Maximization
我们考虑通过选择固定数量的初始种子来最大化社交网络中的影响力传播的问题,正式称为影响力最大化问题。如果影响函数是次模的,则它允许一个$(1-1/e)$ -因子近似算法.否则,在最坏的情况下,该问题是NP-难的,难以近似到$N^{1-\varepsilon}$的因子内。本文研究是否可以通过对底层网络拓扑结构或级联模型进行假设来规避这种最坏情况下的硬度结果。我们所有的假设都是由许多现实生活中的社交网络级联驱动的。首先,我们提出了一个非常有限的网络称为(随机)分层块模型,一个特殊的情况下,充分研究(随机)块模型,其中块之间的关系承认一个树结构的一类强不可逼近的结果。我们还提供了一个动态程序为基础的多项式时间算法,最佳计算层次块模型网络的影响力最大化问题的有向变量。我们的算法表明,不可近似的结果是由于代理块之间的影响的双向性。其次,我们提出了强不可逼近的一类影响函数,“几乎”次模,称为2-quasi-submodular。我们的不可逼近性结果甚至对任何预先固定的2-拟次模$f$都成立。这一结果还表明,在影响力最大化的可逼近性方面,子模块化和非子模块化之间的“阈值”是尖锐的。
2019-12-05 cs.DS cs.SI
From Propagation to Protection: Risk-Aware Diffusion for Harm Minimization in Signed Social Networks
National Institute of Technology Srinagar(斯利那加国家技术学院)
针对符号社交网络中敌对关系传播的危害问题,提出风险感知扩散模型RASH,构建危害最小化模型HM,在六个网络上实现最高危害减少。
2026-08-24 cs.SI
Towards Profit Maximization for Online Social Network Providers
在线社交网络(OSN)吸引了数十亿用户分享信息和交流,病毒式营销已经成为促进产品销售的新方式。OSN提供商经常被广告商雇用来进行病毒式营销活动。OSN提供商从广告商支付的佣金中产生收入,该佣金由其产品信息的传播确定。同时,为了传播影响力,用户执行的活动(例如观看视频广告)通常会给OSN提供商带来扩散成本。在本文中,我们的目标是找到一个种子集,以优化一个新的利润指标,结合影响力传播的好处与影响力传播的OSN提供商的成本。在许多扩散模型下,我们的利润指标是两个次模函数之间的差异,这是具有挑战性的优化,因为它既不是次模也不是单调的。我们设计了一个一般的两阶段框架来选择种子利润最大化,并开发了几个边界来衡量构建的种子集的质量。真实OSN数据集的实验结果表明,我们的方法可以实现高近似保证,并显着优于基线算法,包括最先进的影响力最大化算法。
2017-12-24 cs.DS cs.SI
Finding safe strategies for competitive diffusion on trees
我们研究了两个玩家的竞争扩散,通过社会网络的技术或影响力的扩散博弈论模型的安全游戏。在博弈论中,安全策略是相对于对手的未知策略具有最小预期收益的混合策略。竞争扩散的安全策略在其他参与者不确定的情况下导致影响力的最大传播。我们研究了两个特定类别的树,蜘蛛和完全树的安全游戏,并给出了最小预期收益的紧界。然后,我们使用这些结果给出了一个算法,这表明一个安全的战略,任何树上的球员。我们测试这个算法的随机生成的树,并表明,它发现的战略是接近最优的。
2014-04-22 cs.DM cs.GR cs.SI
Modeling of Information Diffusion on Social Networks with Applications to WeChat
在线社交网络中记录的用户活动的痕迹,例如随着时间的推移创建、查看和转发/共享信息,为定量和系统地理解社交网络上的信息扩散过程开辟了新的可能性。从像微信这样的在线社交网络中,我们可以收集大量的信息级联树,每个信息级联树都告诉消息/信息的传播轨迹,例如哪个用户创建了信息,哪些用户查看或转发了哪些邻居分享的信息。在这项工作中,我们提出了两个异质非线性模型。这两个模型都通过微信数据进行了验证,重现和解释了级联树的关键特征。具体来说,我们首先应用随机递归树(RRT)的级联树的拓扑结构建模,捕捉关键功能,即平均路径长度和度方差的级联树的节点数(大小)的树。具有单个参数$θ$的RRT模型描述树的生长机制,其中现有树中的节点具有连接到新添加的节点的概率$d_i^θ$,该概率取决于现有节点的度$d_i$。所识别的参数$θ$量化级联树的相对深度或宽度,指示信息经由星形广播或病毒式逐跳扩散传播。RRT模型解释了枢纽的出现,因此随着级联大小的增加,平均路径长度可能会更小,正如在微信中观察到的那样。我们进一步提出了随机敏感视图转发删除(SVFR)模型来描述动态用户行为,包括创建,查看,转发和忽略一个消息在一个给定的社会网络。
2017-04-11 cs.SI physics.soc-ph
Deep Identification of Propagation Trees
提出传播树深度识别(DIPT)概率框架,通过建模节点局部影响强度并利用交替优化策略联合学习扩散机制与重建传播结构,解决了图扩散中传播树重建难题。
2025-03-01 cs.SI
Confidence Sets for the Source of a Diffusion in Regular Trees
我们研究的问题,确定的扩散的源在一个正常的树。当每个节点的度至少为3时,我们证明了可以为扩散源构造置信集,其大小与感染节点的数量无关。我们的估计的动机类似的结果在文献中关于识别的根节点在优先附件和均匀附件树。在我们的证明的核心是一个概率分析Pólya瓮对应的数量未感染的邻居在特定的子树的感染树。我们还提供了一个例子,说明源估计技术的缺点,在设置的基础图形是不对称的。
2015-10-19 cs.DM cs.SI math.PR
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
Measuring the Impact of Influence on Individuals: Roadmap to Quantifying Attitude
影响力扩散一直是社交网络中信息传播研究的核心,其中影响力通常被建模为实体的二元属性:受影响或不受影响。我们引入了态度的概念,正如社会心理学中所描述的那样,态度是一个实体受信息影响的程度。我们提出了一个量化影响程度的信息扩散模型,即,在社会网络中,个人的态度。在此基础上,我们提出并研究了姿态最大化问题。我们证明了计算姿态的函数是单调的和次模的,并且姿态最大化问题是NP-Hard的。我们提出了一个贪心算法的最大化与近似保证$(1-1/e)$。使用相同的模型,我们还引入了“可操作”的态度的概念,目的是研究的情况下,获得高态度的个人是客观上比最大限度地提高整个网络的态度更重要。我们表明,用于计算可操作的态度,不像计算态度,是非子模块,但\emph{approximately submodular}的功能。提出了一种最大化网络中可操作姿态的近似算法。我们实验评估我们的算法,并研究网络中的节点的态度,如高姿态节点的空间和值分布的经验性质。
2020-10-26 cs.SI
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
Who Will Share My Image? Predicting the Content Diffusion Path in Online Social Networks
University of California, Davis(加州大学戴维斯分校);Hanyang University(汉阳大学)
内容流行度预测已经被广泛研究,因为它对Facebook,Instagram,Twitter和Pinterest等社交媒体网站的用户和主机的重要性和兴趣。然而,现有的工作主要集中在使用单个度量(例如喜欢或分享的总数)对流行度进行建模。在这项工作中,我们提出了Diffusion-LSTM,这是一种基于记忆的深度递归网络,可以学习递归地预测图像通过社交网络的整个扩散路径。通过结合用户的社会特征和图像特征,并编码的扩散路径,迄今为止所采取的一个显式的存储单元,我们的模型预测的扩散路径的图像更准确地相比,替代基线,要么只编码图像或社会特征,或缺乏记忆。通过将单个用户映射到用户原型,我们的模型可以推广到训练过程中没有看到的新用户。最后,我们证明了我们的模型的能力,生成的扩散树,并显示生成的树非常类似地面实况树。
2017-11-29 cs.CV cs.SI
Persistence of centrality in random growing trees
研究了随机生长树模型中节点中心性的性质。我们专注于一个衡量的中心性,计算最大的子树大小的树植根于每个节点,最中心的节点是树的质心。对于随机树生长的优先附件模型,一个统一的附件模型,或一个扩散过程在一个正常的树,我们证明了一个单一的节点持续作为树的质心后,有限的步骤数,概率为1。此外,该持久性属性推广到关于相同中心性度量的顶部$K \ge 1$节点。我们还建立了充要条件的初始种子图的大小,以确保持久性的概率$1-ε$的一个特定的节点,作为一个函数的$ε$:在优先和统一的附件模型的情况下,我们推导出的特殊节点周围构造的初始枢纽的大小的界限。在正则树上的扩散过程的情况下,我们推导出以特殊节点为中心的初始球的半径的界。我们的充要条件和充分条件匹配的常数因子的优先连接和扩散树模型。
2015-11-06 cs.DM cs.SI math.PR