Boosting Nodes for Improving the Spread of Influence
网络中的信息扩散最近受到了广泛的关注。大多数以前的工作解决的影响力最大化问题,选择一组合适的种子节点启动扩散过程,使最大数量的节点达到。由于种子选择问题是NP困难的,大多数解决方案都是次优的。此外,可以存在种子节点被预定的设置。因此,一个自然出现的问题是:给定一组种子节点,我们是否可以选择一小组节点,如果我们改善它们对扩散过程的反应,就可以实现扩散扩散的最大增加?我们称之为提升集选择问题。在本文中,我们形式化这个问题,研究其复杂性,并提出适当的算法。我们还评估了一些真实网络中的提升效果,并报告了不同种子集、扩散过程中的时间限制和其他扩散参数所实现的影响扩散的增加。
2016-09-12 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
Influencers identification in complex networks through reaction-diffusion dynamics
网络科学、营销研究和创新扩散理论中的一个关键思想是,一小群节点--被称为影响者--对网络中的社会传染和流行过程具有最大的影响。尽管在社会经济和生物网络的影响者识别问题的长期利益,还没有达成协议,这是最好的识别策略。最先进的策略通常基于启发式中心性度量或仅适用于特定网络拓扑或特殊动态机制的分析参数。在这里,我们利用最近引入的随机游走有效距离-一个拓扑度量,几乎完美地估计网络上扩散扩散过程的到达时间-引入一个新的中心性度量,它量化了一个节点与其他节点的接近程度。我们发现,新的中心性指标显着优于国家的最先进的指标,在检测全球传染过程的影响。我们的研究结果揭示了网络有效距离对影响者识别的重要作用,并使我们更接近问题的最优解。
2018-11-14 cs.SI physics.soc-ph
Supermajority Sentiment Detection with External Influence in Large Social Networks
在一个大型的社会网络,其成员怀有二元情绪对一个问题,我们调查的渐近精度的情绪检测。我们通过一个伊辛马尔可夫随机场模型来模拟用户情绪,并允许用户情绪受到外部影响的偏见。我们考虑了一个一般的绝大多数情感检测问题,并表明检测精度受到网络结构,参数以及外部影响水平的影响。
2017-10-08 cs.SI
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
Influence Maximization in Continuous Time Diffusion Networks
在一个扩散网络中寻找最优的源节点集,在有限的时间内最大限度地传播信息、影响和疾病,这个问题极大地依赖于网络的底层时间动态。然而,迄今为止,这在很大程度上仍未得到探索。为此,给定一个网络及其时间动态,我们首先描述连续时间马尔可夫链如何允许我们分析计算从一组源节点开始的扩散过程所到达的节点的平均总数。然后,我们表明,选择一组最有影响力的源节点在连续时间的影响力最大化问题是NP-难的,并开发一个有效的近似算法,可证明的近最优性能。合成和真实扩散网络上的实验表明,我们的算法优于其他国家的最先进的算法至少~20%,是在不同的网络拓扑结构的鲁棒性。
2012-05-08 cs.DS cs.SI physics.soc-ph
Understanding How Network Geometry Influences Diffusion Processes in Complex Networks: A Focus on Cryptocurrency Blockchains and Critical Infrastructure Networks
The University of Texas at El Paso(德克萨斯大学埃尔帕索分校);Texas Tech University(德克萨斯理工大学)
本研究通过流行病模型分析网络几何对扩散的影响,发现枢纽主导网络对随机故障有韧性但易受攻击,中心性度量显著影响区块链与基础设施网络的扩散传播。
2025-10-09 cs.SI physics.soc-ph stat.ME
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
Time-Bounded Influence Diffusion with Incentives
社交网络中广泛研究的影响力扩散模型将网络表示为具有针对每个节点的影响力阈值$t(v)$的图$G=(V,E)$。最初,初始集合$S\subseteq V$的成员受到影响。在每个后续轮期间,通过包括具有至少$t(v)$先前受影响的邻居的每个节点$v$来扩充受影响的节点的集合。一般的问题是找到一个影响整个网络的小初始集。在本文中,我们通过使用\emph{incentives}来降低一些节点的阈值扩展该模型。目标是最小化所需的激励总数,以确保该过程在给定的回合数内完成。这个问题在一般网络中很难近似。我们提出了多项式时间算法的路径,树,和完整的网络。
2018-07-18 cs.DS cs.SI math.CO
A picture is worth a thousand words: an empirical study on the influence of content visibility on diffusion processes within a virtual world
研究信息扩散和商品在现实世界和许多数字服务中的传播可能非常困难,因为有关信息流的信息很难准确跟踪。信息传播的方式通常从同质性、社会影响和初始种子选择的角度进行分析。然而,在虚拟世界和虚拟经济中,信息和商品的流动可以被精确地跟踪。因此,这些环境为精确研究信息扩散特性创造了实验室,这些特性在以前的研究中很难研究。本文研究了内容可见性、发送者和接收者特征、它们之间的关系以及多层社会网络层的类型如何影响虚拟世界中的内容吸收和扩散。结果表明,分布式内容的先验可见性是内容采用及其在网络中进一步传播的最强预测因子。在其他分析因素中,社交活动层上的用户邻居的扩散机制,内容质量和内容采用对新内容的采用有很大的影响。
2016-09-19 cs.SI
Tight Bounds for Influence in Diffusion Networks and Application to Bond Percolation and Epidemiology
在本文中,我们推导出一个独立级联模型(ICM)中的一个节点的长期影响的理论界。我们将这些界限与一个特定矩阵的谱半径相关联,并表明当该谱半径低于$1$时,该行为是次临界的。更具体地说,我们指出,在一般的网络,次临界制度的行为在$O(\sqrt{n})$其中$n$是网络的大小,这上界满足星形网络。我们将我们的研究结果应用于任意网络的流行病学和渗流,并推导出一个巨大的连接组件出现的临界值的界限。最后,我们经验性地展示了一个大的网络家族的界限的紧密性。
2014-07-17 cs.SI math.PR physics.soc-ph
From Latent Influence to Language: Diffusion-Oriented Content Generation via Audience-Susceptible Features
Tongji University(同济大学);Shanghai Innovation Institute(上海创新研究院)
针对现有面向扩散的内容生成方法难以转化扩散影响信号的问题,提出三阶段框架DOCG-AS,实验显示其在预测扩散影响上优于现有基线。
2026-08-21 cs.SI
Scalable Continuous-time Diffusion Framework for Network Inference and Influence Estimation
National University of Singapore(新加坡国立大学);CNRS(法国国家科学研究中心);Université Paris-Saclay(巴黎萨克雷大学);CNRS IPAL(法国国家科学研究中心IPAL)
针对现有连续时间扩散方法可扩展性不足的问题,提出基于连续时间动力系统的FIM框架,结合先进采样技术,实现大规模网络下的推断与影响力估计效率和效果均更优。
2024-05-21 cs.LG cs.SI
Inferring Networks of Diffusion and Influence
信息扩散和病毒传播是发生在网络中的基本过程。虽然通常可以直接观察节点何时感染病毒或采用信息,但观察单独的传输(即,谁感染谁,或者谁影响谁)通常是非常困难的。此外,在许多应用中,扩散和传播的底层网络实际上是不可观察的。我们通过开发一种方法来应对这些挑战,该方法用于跟踪通过网络的扩散和影响路径,并推断传染传播的网络。给定节点接受信息或被感染的时间,我们确定最佳网络,最好地解释观察到的感染时间。由于优化问题是NP-难精确解决,我们开发了一种有效的近似算法,可扩展到大数据集,并找到可证明的接近最优的网络。我们证明了我们的方法的有效性,通过跟踪信息扩散在一组1.7亿博客和新闻文章在一年内推断信息如何通过网络媒体空间流动。我们发现,前1,000名媒体网站和博客的新闻传播网络往往具有核心-外围结构,其中一小部分核心媒体网站将信息传播到网络的其他部分。这些网站往往有稳定的影响圈,更一般的新闻媒体网站充当它们之间的连接器。
2011-10-23 cs.DS cs.SI physics.soc-ph
Who negatively influences me? Formalizing diffusion dynamics of negative exposure leading to student attrition in MOOCs
在这项工作中,我们解释了潜在的互动机制,管理学生的相互影响,在大规模开放式在线课程(MOOC)。具体来说,我们概述了学生在MOOC论坛上消极接触同龄人的不同方式,并讨论了学习网络扩散的一个简单公式,该公式正式说明了这种影响如何传播的本质,并可能随着时间的推移导致学生流失。我们还根据现实世界的MOOC行为来看待我们的学生建模的局限性,因此提出了扩展扩散模型以处理更复杂假设的方法。这样的理解对于MOOC设计者和教师来说非常有益,可以创造一个有利的学习环境,支持学生的成长并提高他们对课程的参与度。
2014-08-31 cs.CY cs.SI
A Pressure-Based Diffusion Model for Influence Maximization on Social Networks
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Narmi Inc.(Narmi公司)
本文提出压力阈值模型(PT)用于动态模拟社交网络中的影响传播,扩展了线性阈值模型(LT),并通过实验表明在密集网络中压力效应更显著,影响最大化结果与LT模型不同。
2026-04-02 cs.AI 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
PRINCE: Privacy-Preserving Mechanisms for Influence Diffusion in Online Social Networks
由于方程1中的一个关键符号错误,本文已被作者撤回。随着在线社交网络的发展,人们对如何在在线社交网络中传播影响力进行了广泛的研究,提出了许多算法和模型。然而,许多基本问题也被忽视了。其中,最重要的问题是在线社交网络中影响力传播的激励方面和隐私方面(如节点关系)。考虑到这些缺陷,并结合强大的工具,从差分隐私,我们提出了PRINCE,这是一系列的\underline{IN}流感\underline{CE}在网上社交网络的扩散,以解决问题的\underline{PR} ivacy保护机制。我们不仅从理论上证明了PRINCE的许多优良性质,而且还实现了PRINCE,以广泛地评估其性能。评估结果表明,PRINCE取得了良好的性能。据我们所知,PRINCE是在线社交网络中第一个差异化的影响力扩散机制。
2014-02-12 cs.GT cs.SI
Scalable Influence Estimation in Continuous-Time Diffusion Networks
Georgia Institute of Technology(佐治亚理工学院);MPI for Intelligent Systems(马克斯·普朗克智能系统研究所)
如果一条信息从一个媒体网站发布,它能在一个月内传播到一百万个网页吗?这个影响估计问题是非常具有挑战性的,因为这两个问题的时间敏感性和可扩展性的问题需要同时解决。本文提出了一种连续时间扩散网络影响估计的随机算法。我们的算法可以估计的|V|节点和|E|边的网络中的每个节点的影响$\varepsilon$的精度使用$n=O(1/\varepsilon^2)$随机化和对数因子O(nPDMATHABMN +n |V|)的计算。当作为一个贪婪的影响力最大化算法的子程序,我们提出的方法是保证找到一组节点的影响至少(1-1/e)OPT-2 $\varepsilon$,其中OPT是最佳值。在合成数据和真实数据上的实验表明,该方法可以很容易地扩展到数百万节点的网络,同时在估计影响的准确性和最大化影响时所选节点的质量方面比以前的最新技术有显着提高。
2013-11-14 cs.LG cs.SI
A Perturbative Solution to the Linear Influence/Network Autocorrelation Model Under Network Dynamics
本文研究网络缓慢变化时强制线性扩散模型的求解问题,提出一种仅需极少过去状态信息的微扰解法,放宽了标准解对时间尺度严格分离的假设。
2023-10-31 cs.SI math.ST stat.TH
Inf-VAE: A Variational Autoencoder Framework to Integrate Homophily and Influence in Diffusion Prediction
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
近年来,人们对理解和预测社交媒体平台(如Twitter、Facebook等)上的信息传播产生了极大的兴趣。现有的扩散预测方法主要是通过将扩散级联投射到当地的社交社区上来利用受影响用户的顺序。然而,这未能捕获在任何级联中没有显式表现的全局社会结构,导致具有有限历史活动的非活跃用户的性能较差。在本文中,我们提出了一种新的变分自编码器框架(Inf-VAE),通过保持邻近度的社会和位置编码的时间潜变量来联合嵌入同质性和影响。为了对社会同质性进行建模,Inf-VAE利用强大的图神经网络架构来学习有选择地利用用户的社会联系的社会变量。给定一系列种子用户激活,Inf-VAE使用一种新的表达性共同关注融合网络,该网络共同关注他们的社交和时间变量,以预测所有受影响用户的集合。我们在多个真实世界社交网络数据集上的实验结果,包括Digg,微博和Stack-Exchange,证明了Inf-VAE在最先进的扩散预测模型上的显着收益(22%MAP@10);我们为具有稀疏活动的用户以及在种子集中缺乏直接社交邻居的用户实现了巨大的收益。
2020-01-01 cs.LG cs.SI
A Neural Influence Diffusion Model for Social Recommendation
精确的用户和项目嵌入学习是构建成功推荐系统的关键。传统上,协同过滤(CF)提供了一种从用户-项目交互历史中学习用户和项目嵌入的方法。然而,由于用户行为数据的稀疏性,性能受到限制。随着在线社交网络的出现,社会推荐系统已经被提出来利用每个用户的本地邻居的偏好来减轻数据稀疏性以更好地进行用户嵌入建模。我们认为,对于社交平台的每个用户,她的潜在嵌入受到她信任的用户的影响。随着社会影响力在社会网络中的递归传播和扩散,每个用户的兴趣在递归过程中发生变化。然而,目前的社交推荐模型只是利用每个用户的本地邻居建立静态模型,而没有模拟全局社交网络中的递归扩散,导致推荐性能不佳。在本文中,我们提出了一个深度影响传播模型,以刺激用户如何影响社会推荐的递归社会扩散过程。对于每个用户,扩散过程从融合相关特征的初始嵌入和捕获潜在行为偏好的自由用户潜在向量开始。我们提出的模型的核心思想是,我们设计了一个逐层的影响传播结构,以模拟用户的潜在嵌入如何随着社会扩散过程的继续而演变。我们进一步表明,我们提出的模型是通用的,可以应用时,用户~(项目)属性或社会网络结构是不可用的。最后,在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性,与最佳基线相比,性能提高了13%以上。
2019-04-20 cs.IR cs.SI
DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation
Hefei University of Technology(合肥工业大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院);The University of Arizona(亚利桑那大学)
社会化推荐利用用户之间的社会联系来预测用户的未知偏好,这可以缓解基于协同过滤的推荐中的数据稀疏性问题。早期的方法依赖于利用每个用户的一阶社交邻居的兴趣来进行更好的用户建模,并且未能从全局社交网络结构中对社交影响力扩散过程进行建模。最近,我们提出了一个神经影响扩散网络的初步工作(即,DiffNet)用于社会推荐(Diffnet),它对递归社会扩散过程进行建模,以捕获每个用户的高阶关系。然而,我们认为,由于用户在用户-用户社交网络和用户-项目兴趣网络中都扮演着核心角色,因此仅对社交网络中的影响力扩散过程进行建模会忽略用户-项目兴趣网络中用户潜在的合作兴趣。在本文中,我们提出了DiffNet++,DiffNet的一个改进的算法,在一个统一的框架内模型的神经影响力扩散和兴趣扩散。DiffNet++通过将社会化推荐重构为以社会网络和兴趣网络为输入的异构图,同时注入这两种网络信息进行用户嵌入学习,从而改进了DiffNet。这是通过从三个方面迭代地聚合每个用户的嵌入来实现的:用户的先前嵌入、来自社交网络的社交邻居的影响力聚合以及来自用户-项目兴趣网络的项目邻居的兴趣聚合。此外,我们设计了一个多层次的注意力网络,学习如何从这三个方面专注地聚合用户嵌入。最后,在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性。
2021-01-05 cs.IR cs.LG cs.SI
Modeling the impact of external influence on green behaviour spreading in multilayer financial networks
人们日益认识到商业活动对环境的影响,这增加了理事机构处理这一问题的压力。一种可能性是鼓励或迫使市场采取绿色行为。然而,通常很难预测不同的行动如何影响市场。为此,本文提出了银行-企业多层网络中绿色行为的传播模型。该模型允许评估各种因素,如外部影响的持续时间,目标市场细分或行动强度如何影响市场绿化水平的结果。模型评估结果表明,管理机构,取决于市场的“开放度”的绿色活动,可以调整拟议的行动的持续时间和强度。影响的强度可以由公共或私人当局通过使用强制或自愿规则以及受影响银行的比例来改变。本研究可为建立最佳的绿化政策执行机制,以及提升执行绩效提供参考。
2022-10-19 cs.CE cs.SI
Maximising the Influence of Temporary Participants in Opinion Formation
DeGroot式的意见形成假设社会网络中的代理人之间持续的互动。因此,它无法处理社交网络外部的代理,这些代理仅与永久代理进行临时交互。许多现实世界的组织和个人都属于这一类。例如,一家公司试图说服尽可能多的人购买其产品,但由于各种限制,只能在有限的时间内发挥影响力。我们提出了一个变体的DeGroot模型,允许外部代理与永久的交互一段预设的时间。我们获得了一些见解,最大限度地提高外部代理人的意见形成的影响,通过分析和模拟的变体。
2022-05-30 cs.MA cs.SI
Disabling External Influence in Social Networks via Edge Recommendation
现有的社会心理学研究表明,社交网络的用户依赖于邻居的意见来形成他们的意见。根据DeGroot意见形成模型,一个特别重要的值是渐近共识值--由用户特征向量中心度加权的用户意见之和。这个值在网络中扮演着吸引人的角色,并且是外部影响的有利可图的目标。然而,由于任何潜在的恶意控制的意见分布在社会网络中显然是不可取的,它是重要的设计方法,以防止外部试图从战略上改变的渐近共识值。在这项工作中,我们假设对手希望通过改变网络中一些用户的意见来最大化渐近共识值;然后,我们状态DIVER-一个NP-hard问题,通过战略性地向网络添加有限数量的边缘来禁用这种外部影响尝试。依靠马尔可夫链的理论,我们提供扰动分析,显示如何特征向量的中心,因此,潜水员的目标函数的变化,以响应边缘的除了网络。后者导致设计一个伪线性时间启发式潜水员,其计算依赖于有效的估计平均首次通过时间在马尔可夫链。我们在实验中证实了我们的理论发现。
2017-09-24 cs.DM cs.DS cs.MA