Revisiting Non-Progressive Influence Models: Scalable Influence Maximization
社交网络中的影响力最大化问题在过去十年中得到了计算机科学界的广泛研究，但研究的重点一直是渐进影响力模型，如独立级联（IC）和线性阈值（LT）模型，这些模型无法捕捉选择的可逆性。在本文中，我们提出了热传导（HC）模型，这是一个非渐进的影响模型与现实世界的解释。我们证明了HC统一，推广和扩展了现有的非渐进模型，如Voter模型[1]和非渐进LT [2]。然后，我们证明，选择有影响力的节点的最佳种子集是NP难的HC，但通过建立影响力传播的子模块，我们可以解决影响力最大化问题的可扩展性和可证明的近最优贪心算法。作为HC模型的一个特例，我们首次在非渐进LT模型下提出了一个可扩展的影响力最大化问题的解决方案。与其他贪婪的影响力最大化方法形成鲜明对比，我们的快速，高效的C2 GREEDY算法受益于两个分析计算的步骤：封闭形式的计算找到的影响传播以及贪婪的种子选择。通过在几个大型真实和合成网络上的广泛实验，我们表明C2GREEDY在影响力传播和可扩展性方面优于最先进的方法。
2018-06-16 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
Effective submodularity of influence maximization on temporal networks
我们研究时间网络上的影响最大化。这是一种特殊的设置，其中影响函数不是子模的，并且通过贪婪优化获得的解决方案没有最优性保证。我们对真实网络和合成网络进行了详尽的分析。我们发现，随机抽样的种子集的影响函数往往违反子模块性的必要条件。然而，当根据贪婪优化策略选择种子集时，影响函数有效地表现为子模函数。具体来说，子模块性的必要条件的违反从来没有观察到在真实的网络，只有很少在合成的。通过蛮力搜索获得的精确解的直接比较表明，贪婪策略提供的近似解，以及保证严格次模函数的最优性差距。因此，贪婪优化似乎是最大化对时间网络影响的有效策略。
2022-09-02 cs.SI physics.soc-ph
Effects of Time Horizons on Influence Maximization in the Voter Dynamics
在本文中，我们分析了影响力最大化的选民模型中的一个积极的战略和一个被动的影响方在非平稳设置。因此，我们探索的战略影响者的时间视野上的最佳影响力分配的依赖。我们发现，在无向异构网络，在短时间内，影响力最大化时，针对低度节点，而在长时间内，影响力最大化时，控制枢纽节点。此外，我们表明，短期和中期的时间尺度影响最大化可以利用知识（瞬态）的意见配置。更详细地说，我们发现两个规则。首先，应该瞄准那些状态与战略影响者的目标不同的节点。其次，如果只有少数节点最初与战略影响者对齐，则应避免受到相反影响的节点，但当许多节点对齐时，最佳影响者应跟踪相反的影响。
2018-10-05 cond-mat.dis-nn cs.SI math.OC
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
On Multi-Cascade Influence Maximization: Model, Hardness and Algorithmic Framework
本文研究了多级联影响力最大化问题，探讨了在存在多个级联的社会网络中启动一个信息级联的策略。自然扩展的经典模型，我们首先提出了独立的多级联模型的扩散过程是由所谓的激活函数。我们表明，该模型是足够灵活的，因为它概括了现有的级联模型。然后，我们研究了设计的模型下的多级联的影响力最大化问题，并提供了常见的复杂性假设下，即指数时间假设和$NP \subseteq DTIME(n^{\poly \log n})$的近似硬度。鉴于硬度的结果，我们建立了一个框架，设计启发式种子选择算法与可测试的数据依赖的近似比。所设计的算法利用上界和下界，揭示了多级联影响力最大化问题背后的关键组合结构。该框架的性能进行了理论分析和实际评估，通过广泛的模拟。在有效性和效率方面，所提出的解决方案的优越性得到了令人鼓舞的实验结果的支持。
2019-11-30 cs.DS cs.SI
A Behavioral Analysis on the Reselection of Seed Nodes in Independent Cascade Based Influence Maximization
影响力最大化是各种社交网络活动的主要目标，如病毒式营销和活动广告。影响扩散的独立级联模型假设每个激活的节点有一次机会影响其邻居。这个合理的假设不能被绕过，因为否则由边权重建模的节点的影响概率将被改变。另一方面，手动激活的种子集节点可以被重新选择，而不违反模型参数或假设。种子集节点的重新选择仅仅意味着向先前付费的节点支付额外的预算，以便使其在其未受影响的邻居上重试其有影响的技能。这种观点将影响力最大化过程分为两种情况：不考虑节点重选的简单情况和重选情况。在这项研究中，我们将分析现实世界中的网络行为之间的差异，这两个影响力最大化的情况。首先，我们将表明，简单的情况下，重选之间的差异构成了一个广泛的网络范围从重选无关的，其中重选的情况下，没有明显的优势，简单的情况下，到重选友好的，其中的影响蔓延的重选情况下的两倍，在简单的情况下。然后，我们将把这种动态与网络的其他影响力最大化动态联系起来。最后，这种动态和网络结构之间的显着纠缠显示和实验验证。换句话说，网络结构上的一系列条件被指定，其满足是重选友好网络的标志。由于这种纠缠，重选友好的网络可以被发现，而无需执行耗时的影响力最大化算法。
2017-08-06 cs.SI physics.soc-ph
Fast Budgeted Influence Maximization over Multi-Action Event Logs
在社交网络中，影响力最大化是识别在整个网络中拥有最大{ \it影响力}的一组用户的问题。在本文中，一种新的信用分布（CD）为基础的模型，被称为多动作CD（mCD）模型，被引入到量化的影响力，每个用户，它与实际的数据集，其中一种类型的动作可以记录多次。基于该模型，将影响力最大化问题转化为一般背包约束下的子模块最大化问题，该问题是NP-难的。一个有效的流媒体算法与一轮扫描的用户集，以找到一个次优的解决方案。具体来说，我们首先解决背包约束的特殊情况，即，的基数约束，并表明开发的流算法可以实现（$\frac{1}{2}-ε$）-近似的最优性。此外，对于一般的背包的情况下，我们表明，修改后的流算法可以实现（$\frac{1}{3}-ε$）-近似的最优性。最后，在真实的Twitter数据集上进行了实验，结果表明，与传统的CD模型相比，mCD模型在估计社交网络中受影响的总人数方面具有较高的准确性.此外，通过与传统的CD模型、非CD模型以及基于贪心算法的mCD模型在影响力最大化问题上的性能比较，验证了基于流算法的mCD模型的有效性和效率。
2018-01-26 cs.DS cs.SI
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
Online Influence Maximization with Semi-Bandit Feedback under Corruptions
本文针对社交网络中节点可能被损坏的在线影响力最大化问题，提出鲁棒赌博机算法 CW-IMLinUCB，在理论和实验上均优于现有方法。
2024-09-30 cs.SI
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
Influence Maximization: Divide and Conquer
提出一种“先划分影响扇区、再选择影响节点”的分治框架，可增强任意影响力启发式指标，并通过真实与合成网络验证其线性可扩展性。
2022-10-06 cs.SI physics.soc-ph
On Budgeted Influence Maximization in Social Networks
给定用于选择每个节点的预算和任意成本，预算影响力最大化（BIM）问题涉及选择一组种子节点来传播一些信息，该信息以不超过预算的总成本最大化社交网络中受影响的节点的总数（称为影响扩散）。我们提出的BIM问题的种子选择算法保证了近似比（1 - 1/sqrt（e））。种子选择算法需要计算候选种子集的影响扩散，这是已知的#P-复合。识别贝叶斯网络中的边缘概率的计算和影响传播之间的联系，我们设计了有效的启发式算法后一个问题。使用大规模社交网络和合成生成的网络的实验表明，该算法具有优越的性能与适度的计算成本。此外，合成数据集允许我们改变网络参数，并获得关于图结构对不同算法性能的影响的重要见解。
2013-01-22 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
Robust Influence Maximization
Microsoft Research（微软研究院）；Tsinghua University（清华大学）；The Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们解决的重要问题的边缘影响概率估计的不确定性，以及研究的影响力最大化问题-在社会网络中找到$k$种子节点，以最大限度地提高影响传播的任务。我们提出了鲁棒影响力最大化问题，即在给定参数输入的不确定性的情况下，最大化所选种子集和最优种子集的影响扩散之间的最坏情况比。我们设计了一个算法，解决了这个问题的解决方案依赖的界限。进一步研究了均匀采样和自适应采样方法，有效降低了参数的不确定性，提高了影响力最大化任务的鲁棒性。实验结果表明，参数的不确定性会对影响力最大化算法的性能产生很大的影响，而已有的研究表明，由于参数估计的不确定性较大，学习影响概率会导致鲁棒影响力最大化算法的性能较差，基于信息级联的自适应采样方法可能是提高影响力最大化算法鲁棒性的有效途径.
2016-06-12 cs.LG cs.SI
Influence Maximization in Ising Models
本文研究了Ising模型上的影响力最大化问题，发现在有限预算下该问题存在与树唯一性阈值一致的计算相变：高温区有线性时间近似最优算法，低温区在多项式时间内不可解。
2024-01-03 cs.DS cs.SI math.PR
A universal optimization framework based on cycle ranking for influence maximization in complex networks
该研究针对复杂网络影响力最大化问题，提出基于网络基本环排序的通用优化框架，可从多种中心性度量中选影响者，传播范围提升1.5-3倍，且影响者间距仅为其他方法的1/3，凸显环结构的独特价值。
2024-05-15 cs.SI physics.soc-ph
Influence maximization in multilayer networks based on adaptive coupling degree
针对多层网络中的影响力最大化问题，提出独立级联模型MIC和自适应耦合度算法ACD，选择高传播影响力且低重叠度的种子节点，在合成和真实多层网络上优于基线。
2023-11-15 cs.SI physics.soc-ph
Influence Maximization based on Simplicial Contagion Models in Hypergraphs
本文研究超图中基于单纯复形传染模型的影响最大化问题，提出基于消息传递过程的理论框架和集体影响自适应（CIA）算法，优先考虑集体影响以识别关键传播者，实验证明其性能优越。
2023-11-22 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
Influence Maximization in Hypergraphs
复杂网络中的影响力最大化，即，近年来，通过为给定的传播过程选择K个种子节点来最大化受影响节点的大小已经引起了极大的关注。然而，超图中的影响力最大化问题，即利用超边来表示两个以上节点之间的相互作用，仍然是一个悬而未决的问题。本文提出了一种自适应的基于度的启发式算法，即，启发式度折扣（HDD），迭代地选择具有低影响重叠的节点作为种子，以解决超图中的影响力最大化问题。我们进一步扩展算法从普通的网络作为基线，并比较所提出的算法和基线的真实数据和合成超图的性能。结果表明，HDD在有效性和效率方面都优于基线。此外，在合成超图上的实验表明，HDD具有很高的性能，特别是在度分布不均匀的超图上。
2022-06-03 cs.SI
Sketch-based Influence Maximization and Computation: Scaling up with Guarantees
通过网络传播传染是一个基本过程。它被用来模拟信息、影响力或病毒感染的传播。扩散模式可以由概率模型（如独立级联（IC））指定，或由一组代表性迹线捕获。扩散研究中的基本计算问题是影响查询（确定指定节点种子集的效力）和影响力最大化（确定给定大小的最有影响力的种子集）。搜索每个影响查询涉及许多边遍历，并且当在非常大的图上存在许多查询时不会缩放。影响力最大化的黄金标准是贪心算法，它迭代地向种子集添加一个节点，使影响力的边际增益最大化。Greedy有一个至少为（1-1/e）的保证近似比，并且实际上产生一个节点序列，每个前缀都有关于相同大小的最优近似保证。由于Greedy不能扩展到超过几百万条边，因此对于较大的输入，目前必须使用为预先指定的小种子集大小设计的算法或替代算法。我们开发了一种新的基于草图的影响力计算设计。我们的贪婪基于草图的影响力最大化（SKIM）算法可扩展到具有数十亿条边的图形，与最好的贪婪方法相比具有一到两个数量级的加速。它仍然有一个保证的近似比，在实践中，它的质量几乎与精确贪婪匹配。我们还提出了影响预言机，它使用线性时间预处理来为每个节点生成一个小草图，允许任何种子集的影响从其节点的草图中快速得到回答。
2014-08-26 cs.DS cs.SI
Adaptive Influence Maximization under General Feedback Models
影响力最大化是一个典型的问题，使应用程序在各个领域，并在过去的十年中得到了广泛的研究。经典的影响力最大化问题探讨了在扩散过程开始之前部署种子用户的策略，以使总影响力最大化。在其自适应版本中，允许种子节点在观察到某些扩散结果后以自适应方式启动。本文对自适应影响力最大化问题进行了系统的研究，重点分析了非自适应子模化情形下的算法。我们引入了后悔率的概念，它表征了自适应播种策略设计中的关键权衡，在此基础上，我们提出了著名的贪婪政策的近似分析。此外，我们提供了有关提高效率和限制后悔率的分析。最后，我们提出了几个未来的研究方向。
2019-04-12 cs.SI
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
Zealotry and Influence Maximization in the Voter Model: When to Target Zealots?
在本文中，我们研究了复杂网络上存在有偏见的选民（或狂热者）的选民模型中的影响最大化问题。在什么条件下，一个预算有限的外部控制者应该以狂热者为目标，以最大限度地发挥其对系统的影响力为目标？我们的分析，分析和数值结果的基础上，显示了丰富的图表的偏好和程度的依赖性分配给狂热者和正常代理人的预算不同。我们发现，当我们有一个大的预算或低水平的狂热，最优策略应该给更大的分配给狂热和分配与节点度呈正相关。相比之下，对于低预算或高度偏见的狂热者，最优策略为正常代理提供更高的分配，并为狂热者提供一些剩余分配，并且对这两种类型代理的分配随着节点度的增加而减少。我们的研究结果强调，代理属性的异质性强烈影响的影响最大化异构网络的策略。
2020-08-23 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
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
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
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
Real-time Topic-aware Influence Maximization Using Preprocessing
Microsoft Research（微软研究院）；Tsinghua University（清华大学）
影响力最大化是在社交网络中找到一组种子节点的任务，使得这些种子节点基于特定影响力扩散模型的影响力传播最大化。话题感知的影响扩散模型最近被提出来解决这样的问题，即一对用户之间的影响通常是话题依赖的，并且在网络中传播的信息、想法、创新等（本文中统称为项目）通常是话题的混合。在本文中，我们专注于主题感知的影响力最大化任务。特别是，我们研究这些主题的预处理方法，以避免从头开始为每个项目重做影响力最大化。我们探讨了两种预处理算法的理论依据。我们的实证结果表明，在现有的研究中获得的数据表明，我们的算法之一脱颖而出，作为一个强有力的候选人提供微秒级的在线响应时间和竞争力的影响力传播，合理的预处理工作。
2014-11-21 cs.LG cs.SI
Fast Influence Maximization in Dynamic Graphs: A Local Updating Approach
我们提出了一个广义的框架，影响力最大化在大规模，时间演化网络。诸如社交网络、电话网络和IP业务数据的许多现实生活影响图表现出动态特性，例如，基础结构和通信模式随时间而演变。相应地，我们开发了一个动态框架的影响力最大化的问题，在那里我们执行有效的本地更新，以快速调整前k影响者，在网络中的结构和通信模式的变化。我们设计了一种新的N族方法（N=1，2，3，.）基于近似保证为（1-1/e）的最大影响树形（MIA）传播模型。然后，我们通过将N族方法扩展到其他信息传播模型（例如，独立级联、线性阈值）和影响力最大化算法（例如，CELF，反向可达草图）。基于对几个真实世界，动态和大规模网络的详细实证分析，我们发现，与最先进的算法相比，我们提出的解决方案N-Family将前k个影响者的更新时间提高了1-2个数量级，同时确保类似的内存使用和影响力传播。
2018-08-10 cs.SI
Scalable Lattice Influence Maximization
影响力最大化是在社交网络中找到k个种子节点的任务，使得网络中激活节点的预期数量（在某些影响力传播模型下）（称为影响力传播）最大化。格影响力最大化（LIM）概括了影响力最大化，使得不是选择k个种子节点，而是选择向量x =（x_1，.，x_d），其中x_j对应于第j个营销策略，x表示营销策略组合。每个策略组合x都有概率h_u（x）激活节点u作为种子。LIM是在约束x_1+.+ x_d <= k，使得其影响扩展被最大化。我们适应的反向影响采样（RIS）的方法和设计可扩展的算法LIM。我们首先设计的IMM-PRR算法的基础上部分反向可达集作为LIM的一般解决方案，并提高IMM-PRR的一个大家庭的模型，每个策略独立激活种子节点。然后，我们提出了一种替代算法IMM-VSN的虚拟策略节点的基础上，与独立的策略激活模型的家庭。我们证明了IMM-PRR和IMM-VSN都保证了小ε> 0时的1-e-ε逼近。从经验上看，通过广泛的测试，我们证明IMM-VSN比IMM-PRR运行得更快，比其他基线算法快得多，同时提供相同水平的影响力传播。我们的结论是，IMM-VSN是最好的一个模型与独立的策略激活，而IMM-PRR工程的一般模式没有这个假设。最后，我们将LIM扩展到分区预算的情况下，其中的策略被划分成组，每个组都有一个单独的预算，并表明，我们的算法的一个微小的变化将实现1/2 -ε近似比相同的时间复杂度…
2019-10-18 cs.DS cs.SI
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
Refutations on "Debunking the Myths of Influence Maximization: An In-Depth Benchmarking Study"
在SIGMOD最近发表的一篇题为“揭穿影响力最大化的神话：深入的基准研究”的论文中，Arora等人[1]对几种知名的影响力最大化算法进行了性能基准研究。在这个过程中，他们反驳了几个已发表的结果，并声称已经挖掘和揭穿了围绕影响力最大化研究存在的几个“神话”。本文的目的是客观地、批判地审视他们的主张，并驳斥错误的主张。我们的调查发现，首先，Arora等人[1]的整体实验方法是有缺陷的，并导致科学上不正确的结论。其次，论文[1]充斥着各种影响力最大化算法的问题，包括错误的实验，并得出了许多关于这些算法的误导性结论。重要的是，他们没有意识到运行时间和解决方案质量之间的权衡，并且没有将其正确地纳入他们的实验方法中。本文系统地指出了[1]中存在的问题，并驳斥了其中的11个错误论断。
2017-06-09 cs.SI
Diffusion Models for Influence Maximization on Temporal Networks: A Guide to Make the Best Choice
本文针对时序网络影响力最大化中扩散模型选型难的问题，按底层机制分类现有模型并评估不同场景下的有效性，分析种子选择策略，梳理领域进展、挑战与应用，为研究者和从业者提供结构化选型指南与路线图。
2025-07-30 cs.SI
Influence Maximization for Fixed Heterogeneous Thresholds
影响力最大化是一个选择网络中影响者最优集合的NP难题。在这里，我们提出了两种新的方法，影响力最大化的基础上两个非常不同的指标。第一个度量，称为平衡指数（BI），计算速度快，并将最高值分配给两种类型的节点：那些对采用具有高阻力的节点和那些具有大出度的节点。这是通过线性组合节点的三个属性来完成的：它的度，对新观点的敏感性，以及它的激活对其邻居的影响。控制这三项之间的权重对性能有很大的影响。第二个指标，称为组性能指数（GPI），衡量性能的每个节点作为一个启动器时，它是随机选择的启动器集的一部分。在每个这样的选择中，分配给每个队友的分数与引起期望扩散的发起者的数量成反比。这两个指标适用于各种级联模型;这里我们在具有固定和已知阈值的线性阈值模型上测试它们。此外，我们还研究了网络度的重复性和阈值分布对包括我们在内的度量的级联大小的影响。结果表明，我们的两个指标提供强大的性能影响力最大化。
2018-03-08 cs.SI physics.comp-ph physics.soc-ph
Factorization Bandits for Online Influence Maximization
University of Virginia（弗吉尼亚大学）；Shanghai Jiao Tong University（上海交通大学）；Microsoft Research（微软研究院）
研究了社交网络中的在线影响力最大化问题。在这个问题中，学习者的目标是通过与网络交互来识别网络中的“最佳影响者”集合，即，重复选择种子节点并观察网络中的激活反馈。我们利用了影响力最大化问题的一个重要性质--网络可伸缩性，这一性质在现有的在线影响力最大化研究中被忽略.为了实现网络的敏感性，我们将边上的激活概率分解为相应节点上的潜在因子，包括给定节点上的影响因子和接收节点上的敏感因子。我们提出了一个基于置信上限的在线学习解决方案来估计潜在因素，从而估计激活概率。基于因子分解的在线影响力最大化算法实现了相当大的遗憾减少。在两个真实网络上进行的广泛的实证评估表明了我们提出的解决方案的有效性。
2019-07-16 cs.LG cs.SI stat.ML
Unifying information propagation models on networks and influence maximization
网络上的信息传播是社会科学、行为科学和经济科学的中心主题，具有重要的理论和实践意义，例如病毒式营销的影响力最大化问题。在这里，我们考虑一个模型，统一了经典的独立级联模型和线性阈值模型，并通过考虑连续变量和允许反馈的动态概括它们。然后，我们制定其影响力最大化作为一个混合整数非线性规划问题，并采用导数自由的方法。此外，我们证明了该问题可以在线性动力学的特殊情况下，其中的选择标准是密切相关的Katz中心性，并提出了一个定制的直接搜索方法与局部收敛。然后，我们证明了接近最佳性能的定制的直接搜索数值合成和真实的网络。
2022-09-22 cs.SI math.DS math.OC
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
High Quality Degree Based Heuristics for the Influence Maximization Problem
影响力最大化的问题是选择社会网络中最有影响力的个体。随着社交网站的普及，以及病毒式营销的发展，这一问题的重要性也日益增加。影响力最大化问题是NP难的，因此，除非P=NP，否则不存在多项式时间算法来解决该问题。提出了许多算法，以在较短的时间内找到一个近乎好的解决方案。在本文中，我们提出了两个启发式算法，找到好的解决方案。该算法基于两个思想：（1）度高的顶点在网络中有更大的影响力，（2）附近的顶点对几乎相似的顶点集的影响力。我们评估我们的算法在几个著名的数据集，并表明，我们的算法实现了更好的结果（高达$15\%$的影响蔓延），这个问题在较短的时间（高达$85\%$改善的运行时间）。
2019-04-27 cs.SI
An Approximate Marginal Spread Computation Approach for the Budgeted Influence Maximization with Delay
本文研究了时滞约束影响力最大化问题，这方面的研究文献有限。我们提出了一个近似的边缘扩散计算\mbox{-}为基础的方法来解决这个问题。所提出的方法已经实现了三个基准的社会网络数据集和所获得的结果进行了比较，与现有的方法从文献中。实验结果表明，该方法能够选择种子节点，从而在合理的计算时间内产生更多的有影响力的节点。
2020-05-24 cs.SI
Multi-task Learning for Influence Estimation and Maximization
École Polytechnique, Institute Polytechnique de Paris（巴黎理工学院综合理工学校）；Paris-Saclay University（巴黎-萨克雷大学）；CentraleSupélec（中央理工-高等电力学院）；Inria（法国国家信息与自动化研究所）；Athens University of Economics and Business（雅典经济与商业大学）
我们解决的问题，影响力最大化时，社会网络伴随着扩散级联。在先前的工作中，这些信息被用来计算影响概率，这是利用随机扩散模型在影响力最大化。受到最近对扩散模型有效性的批评以及影响学习的飞速发展的启发，我们提出了IMINFECTOR（Influence Maximization with INFluencer vECTORs），这是一种统一的方法，使用从扩散级联中学习的表示来执行在真实世界数据集中扩展的模型独立的影响力最大化。我们方法的第一部分是一个多任务神经网络，它学习发起级联的节点的嵌入（影响者向量）和参与级联的节点的嵌入（敏感向量）。影响者向量的范数捕获节点创建冗长级联的能力，并用于估计预期的影响传播并减少候选种子的数量。此外，影响者和敏感向量的组合形成节点之间的扩散概率。这些被用来重新制定的网络作为一个二分图，并提出了一个贪婪的解决方案，影响力最大化，保留了理论guarantees.We apply我们的方法在三个相当大的网络与扩散级联，并评估它使用级联从未来的时间步长。IMINFECTOR能够在所有这些方面进行扩展，并在效率和种子集质量方面优于来自影响力最大化的多样化环境的各种竞争算法和指标。
2020-11-20 cs.AI cs.SI stat.ML
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
Time-constrained Adaptive Influence Maximization
众所周知的影响力最大化问题旨在通过在扩散过程之前选择合适的种子用户来最大化社交网络中的一个信息级联的影响。在其自适应版本中，可以在观察某些扩散结果之后选择额外的种子用户。另一方面，社会计算任务通常是时间关键的，因此只有在早期阶段产生的影响是值得的，这可以通过强制执行时间约束来自然建模。在本文中，我们提出了一个时间约束的自适应影响力最大化问题的分析。我们发现，新的问题是组合从现有的问题不同，目前的技术，如子模块化最大化和自适应子模块化是不幸的不适用。在理论方面，我们提供了计算最优策略的困难结果和自适应间隙的下限。对于实际的解决方案，从基本到高级，我们设计了一系列的播种策略，以实现高效率和可扩展性。最后，我们通过基于真实世界数据集的广泛模拟来研究所提出的解决方案。
2020-03-25 cs.SI
Fast and Error-Adaptive Influence Maximization based on Count-Distinct Sketches
影响力最大化（IM）是在给定的扩散模型下找到最大化受影响顶点的期望数量的种子顶点集的问题。由于寻找最优种子集的NP困难性，近似算法经常用于IM。在这项工作中，我们描述了一种快速，错误自适应的方法，利用计数-不同的草图和基于哈希的融合采样。为了估计整个扩散中受影响的顶点的数量，我们使用逐顶点Flajolet-Martin草图，其中每个草图对应于一个采样子图。为了有效地模拟扩散，单个顶点的到达集基数以连续的方式存储在内存中。这使得所提出的算法估计的影响顶点的数量在一个单步的模拟一次。对于更快的IM内核，我们只有在观察到超过给定阈值的估计误差后才并行重建草图。我们的实验结果表明，该算法产生高质量的种子集，而高达119倍的速度比最先进的近似算法。此外，它比基于草图的方法快62倍，同时产生的种子集的影响力分数提高了3%-12%
2021-05-09 cs.DS cs.SI
Group-Fairness in Influence Maximization
影响力最大化是社交网络中广泛使用的信息传播模型。最近的工作在广泛的社会问题中采用了这种干预措施，包括公共卫生、药物滥用和国际发展（仅举几例）。一个关键但研究不足的问题是，这种干预措施的好处是否公平地分配给人口中的不同群体;例如，避免种族或性别等敏感属性方面的歧视。借鉴法律和博弈论的概念，我们介绍了正式的公平定义在影响力最大化。我们提供了一个算法框架，以找到满足公平性约束的解决方案，并在此过程中提高了一般多目标子模块最大化问题的最新技术水平。对无家可归青年的艾滋病预防干预的真实数据的实验结果表明，标准的影响力最大化技术往往忽视较小的群体，这有助于减少整体效用，导致我们提出的算法大大减少了差距。
2019-03-25 cs.GT cs.SI
IMRank: Influence Maximization via Finding Self-Consistent Ranking
影响力最大化是口碑营销和病毒式营销的基础，其目标是寻找一组种子节点，使社交网络上的影响力传播最大化。早期的方法主要分为两种范式，有一定的优点和缺点：（1）贪心算法，一个接一个地选择种子节点，提供了一个有保证的精度依赖于影响传播的精确近似与高计算成本;（2）启发式算法，使用有效的启发式算法估计影响传播，具有较低的计算成本，但精度不稳定。我们首先指出，贪心算法本质上是找到一个自洽的排名，其中节点的排名是一致的，他们的排名为基础的边际影响传播。这种洞察力促使我们开发一个迭代排名框架，即，IMRank，有效解决独立级联模型下的影响力最大化问题。从初始排名开始，例如，一个从有效的启发式算法，IMRank找到一个自我一致的排名，通过重新排序节点迭代根据他们的排名为基础的边际影响传播计算根据当前的排名。我们还证明了IMRank绝对收敛到一个自洽的排名从任何初始排名开始。此外，在这个框架内，最后到第一分配策略和推广这种策略，提出了提高效率的估计基于排名的边际影响力传播给定的排名。通过这种方式，IMRank通过同时利用贪心算法和启发式算法的优点来实现显着的效率和高准确性。在大规模真实社交网络上的大量实验表明，IMRank总是达到与贪婪算法相当的高精度，计算成本大大降低，甚至比其他可扩展算法快$10-100$倍。
2014-02-17 cs.DS cs.SI
A reliability-based approach for influence maximization using the evidence theory
LARODEC, University of Tunis（突尼斯大学LARODEC实验室）；DRUID, IRISA, University of Rennes 1（雷恩第一大学IRISA研究所DRUID团队）
影响力最大化是找到一组社交网络用户（称为影响者）的问题，这些用户可以触发大量的传播。影响力是非常有益的，使营销活动去病毒通过社交网络例如.在本文中，我们提出了一个影响力的措施，结合了许多影响力指标。此外，我们考虑每个影响指标的可靠性，我们提出了一个基于距离的过程，可以估计每个指标的可靠性。建议的措施下定义的信念函数理论的框架。此外，基于可靠性的影响力度量与影响力最大化模型一起使用，以选择能够最大化网络中的影响力的用户集合。最后，我们提出了一组实验从Twitter收集的数据集。这些实验显示了所提出的解决方案在检测高质量的社会影响者方面的性能。
2017-06-30 cs.AI cs.SI
Online Influence Maximization (Extended Version)
社交网络通常用于营销目的。例如，可以向少数有影响力的社交网络用户（或“种子节点”）提供产品的免费试用品，希望他们能说服他们的朋友购买该产品。营销人员将目标形式化的一种方法是通过影响力最大化（或IM），其目标是在固定预算下找到最佳的种子节点进行激活，以便最终最大化受影响的人数。最近的IM解决方案依赖于用户影响另一个用户的影响概率。然而，该概率信息可能不可用或不完整。在本文中，我们研究IM的影响概率的完全信息的情况下。我们称这个问题为在线影响力最大化（OIM），因为我们在运行影响力活动的同时学习影响力概率。为了解决OIM问题，我们提出了一种多尝试方法，其中（1）根据现有的影响力信息选择一些种子节点;（2）从这些种子节点开始影响力活动;（3）使用用户的反馈来更新影响力信息。我们采用了Explore-Exploit策略，该策略可以使用当前影响概率估计（exploit）或估计的置信区间（explore）来选择种子节点。任何现有的IM算法都可以在这个框架中使用。我们还开发了一个增量算法，可以显着减少处理用户的反馈信息的开销。实验结果表明，该方法在部分信息的情况下比传统的IM方法更有效。
2015-06-03 cs.DB cs.SI physics.soc-ph
Dynamic Influence Maximization
我们开始对$\mathit{dynamic}$ $\mathit{influence}$ $\mathit{maximization}$（DIM）进行系统研究。在DIM问题中，在动态涉及的社交网络中保持最多$k$节点的种子集$S$，目标是最大化预期的影响传播，同时最小化摊销更新成本。我们考虑两个演化模型。在$\mathit{incremental}$模型中，社交网络随着时间的推移而扩大，并且只引入新用户并建立新的社交链接，我们设计了一种算法，该算法实现了$(1-1/e-ε)$ -逼近最优解，并且具有$k \cdot\mathsf{poly}(\log n, ε^{-1})$摊销运行时间，这与只有多对数开销的最先进离线算法相匹配。在$\mathit{fully}$ $\mathit{dynamic}$模型中，用户加入和离开，影响传播实时增强或减弱，我们证明了在强指数时间假设（SETH）下，除非分摊运行时间为$n^{1-o(1)}$，否则任何算法都不能达到$2^{-(\log n)^{1-o(1)}}$ -近似.在技术方面，我们利用新的自适应采样方法，减少DIM的动态MAX-k覆盖问题，并设计了一个有效的$(1-1/e-ε)$近似算法。我们的下界利用最近开发的分布式PCP框架。
2021-12-28 cs.DS cs.SI
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
Efficient collective influence maximization in cascading processes with first-order transitions
在社交网络中，大群体的集体行为可以由一小群影响者通过“同伴压力”诱导的级联过程来塑造。对于大规模的网络，有效地识别多个有影响力的传播者的阈值模型，表现出一阶过渡的线性算法仍然是一个具有挑战性的任务。在这里，我们解决这个问题，探索在一般阈值模型的行为级联的集体影响。我们的分析表明，传播器的重要性是固定的亚临界路径沿级联传播：连接到每个传播器的亚临界路径的数量决定其对全球级联的贡献。次关键路径的概念使我们能够引入一个线性可扩展的算法，为大规模的网络。在合成随机图和真实网络中的实验结果表明，与其他线性可扩展的启发式方法相比，在相同种子数的情况下，该方法可以获得更大的集体影响力.
2017-03-15 cs.SI physics.soc-ph
Community Quality and Influence Maximization: An Empirical Study
CRIL, University of Artois and CNRS（阿图瓦大学与法国国家科学研究中心CRIL实验室）
本文研究了社区质量对影响力最大化的影响，提出了一种基于高质量社区结构的种子选择方法，实验证明高质量社区能显著提升信息扩散效果。
2025-12-01 cs.AI cs.SI
Adversarial Influence Maximization
University of Pennsylvania（宾夕法尼亚大学）；University of Wisconsin（威斯康星大学）
研究了在对抗环境下固定网络中传染模型的影响力最大化问题。我们的目标是选择一组最佳的节点来播种影响过程，这样在活动结束时受影响的节点的数量就尽可能大。我们制定的问题作为一个重复的玩家和对手之间的游戏，对手指定的边缘沿其传染病可能会蔓延，和玩家选择的节点集，以影响在一个在线的方式。我们建立了无向和有向网络中极大极小伪后悔的上界和下界。
2019-01-19 cs.LG cs.SI stat.ML
