Maximizing the overall profit of a word-of-mouth marketing campaign: A modeling study
与传统广告相比,口碑传播具有显著的优势,如成本低、传递快,尤其是随着在线社交网络的普及。本文讨论了口碑营销活动的整体利润最大化问题。将具有正口碑和负口碑的营销过程建模为SIPNS模型,将利润最大化问题建模为约束优化问题。实验揭示了不同因素对SIPNS模型动力学的影响。此外,不同的因素对口碑营销活动的预期总利润的影响是实验发现。在此基础上,提出了一些推广策略。据我们所知,这是第一次以这种方式对待口碑营销活动。
2017-04-23 cs.SI
Revenue Maximization in Incentivized Social Advertising
激励式社交广告是一种新兴的营销模式,它不仅为社交网络平台的所有者,而且还通过提供广告收入的“削减”来为他们的有影响力的用户提供货币化机会。我们考虑一个社交网络(主机),它通过将广告以推广帖子的形式插入到精心挑选的“初始代言人”或种子用户的提要中来向广告商出售广告参与:这些用户获得金钱激励以换取他们的代言。代言帮助广告传播到他们的追随者的饲料。在这种情况下,主机的问题是将广告分配给有影响力的用户,考虑到广告的病毒传播倾向,并在对有影响力的用户的激励和广告参与成本之间仔细分配每个广告客户的货币预算,以最大化其自身收入的理性目标。我们认为,有影响力的用户,这是成比例的影响潜力的货币激励。我们发现,在激励社会广告的收入最大化对应于单调子模块函数最大化的问题,受分区拟阵约束的广告种子分配,和子模块背包约束的广告客户的预算。这个问题是NP难的,我们设计了2个贪心算法与可证明的近似保证,不同的种子用户激励成本的敏感性。我们的近似算法需要反复估计预期的边际收益的收入以及广告客户支付。通过利用连接到预期的影响力传播的可扩展估计的最新进展,我们设计了有效的和可扩展的版本的贪心算法。
2021-06-22 cs.DB 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
Evidential positive opinion influence measures for viral marketing
University of Tunis(突尼斯大学);ISG Tunis(突尼斯高等管理学院);univ Rennes(雷恩大学);CNRS(法国国家科学研究中心)
病毒式营销是一种相对较新的营销形式,它利用社交网络来推广品牌,产品等,其背后的想法是在网络上找到一组有影响力的人,可以引发大量的传播和采用。在本文中,我们将介绍一个基于证据意见的病毒式营销影响力最大化模型。此外,我们的方法解决了现实世界中病毒式营销的三个基于意见的场景。第一种情况涉及对产品有积极看法的影响者。第二种情况涉及对产品有积极看法的影响者,并对也有积极看法的用户产生影响。第三种情况涉及影响对产品有积极看法的用户,并对其他用户对产品的负面看法产生影响。接下来,我们提出了六个影响力指标,每个场景两个。我们还使用了一个影响力最大化模型,该模型为每个场景检测到的影响者的集合。最后,我们通过对生成的数据集和从Twitter收集的真实世界数据集进行的一些实验,展示了所提出的模型与每个影响度量的性能。
2019-07-11 cs.AI cs.SI
Fractional Budget Allocation for Influence Maximization under General Marketing Strategies
University of Illinois Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对折扣可部分分配且激活概率随折扣仿射变化的影响力最大化问题,本文提出一种 (1-1/e)-近似算法,并在真实社交网络上验证其性能与可扩展性。
2024-07-08 cs.AI cs.DS cs.SI
Multi-Round Influence Maximization
在本文中,我们研究了多轮影响力最大化(MRIM)问题,其中影响力在多轮中独立地从可能不同的种子集传播,目标是为每轮选择种子,以最大化在至少一轮中被激活的节点的预期数量。MRIM问题模拟了病毒式营销场景,在这种场景中,广告商进行多轮病毒式营销来推广一种产品。我们考虑两种不同的设置:1)非自适应MRIM,其中广告商需要在一开始就确定所有轮次的种子集,以及2)自适应MRIM,其中广告商可以基于前几轮中的传播结果自适应地选择种子集。对于非自适应设置,我们设计了两个算法,表现出一个有趣的效率和有效性之间的权衡:一个跨轮贪心算法,在全球范围内选择种子,实现$1/2 - \varepsilon$近似比,和一个轮内的贪心算法,选择种子轮,实现$1-e^{-(1-1/e)}-\varepsilon \approx 0.46 - \varepsilon$近似比,但节省运行时间的一个因素有关的轮数。对于自适应设置,我们设计了一个自适应算法,保证$1-e^{-(1-1/e)}-\varepsilon$逼近自适应最优解。在所有情况下,我们进一步设计可扩展的算法的基础上的反向影响采样方法,并实现近线性的运行时间。我们在几个真实世界的网络上进行实验,并证明我们的算法是有效的MRIM任务。
2019-06-05 cs.SI
Influence Maximization Considering Influence, Cost and Time
本文提出一个同时优化影响力、成本和时间的新多目标影响力最大化问题,并开发进化变长搜索算法EVEA,在四个真实网络中实现高达19.3%的超体积提升和25-40%的更快收敛。
2025-09-09 cs.NI 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
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
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
Continuous Profit Maximization: A Study of Unconstrained Dr-submodular Maximization
利润最大化是指在社交网络中选择一部分用户作为病毒式营销的种子,在影响力传播的成本和利润之间进行平衡。将PM推广到一般营销策略下的PM,形成了定义域为整数格的连续利润最大化(CPM-MS)问题。我们的CPM-MS的目标函数是dr-次模,但非单调。这是无约束dr-子模极大化问题的一个典型情形,本文以它为出发点,系统地研究了无约束dr-子模极大化问题,这与已有的研究者有很大的不同。首先,我们介绍了基于格的双贪心算法,它可以获得一个常数的近似保证。然而,有一个严格而不现实的条件,即要求目标值在整个域上是非负的,否则没有理论上的界限。因此,我们提出了一种技术,称为基于格的迭代修剪。它可以有效地缩小搜索空间,从而在不损失逼近比的情况下,大大提高了在这个较小的搜索域上满足非负目标函数的可能性。然后,针对CPM-MS算法目标值难以估计的问题,采用了反向采样策略,并将其与基于格的双贪婪算法结合,包括剪枝,在不损失算法性能的同时减少了算法的运行时间。整个过程可以被认为是解决UDSM问题的一般框架,特别是适用于社交网络。最后,我们在几个真实的数据集上进行实验,以评估我们提出的算法的有效性和效率。
2020-04-12 cs.LG cs.SI
TipTop: (Almost) Exact Solutions for Influence Maximization in Billion-scale Networks
在本文中,我们研究了成本意识的目标病毒式营销(CTVM)问题,影响力最大化(IM)的推广。CTVM要求最具成本效益的用户影响最相关的用户。与大量的文献相比,我们试图提供精确的解决方案。由于问题是NP难的,因此,精确的解决方案是棘手的,我们提出TipTop,一个$(1-ε)$的最优解决方案,任意$ε>0$,规模非常大的网络,如Twitter。TipTop的核心是一种创新技术,可以尽可能减少样本数量。这使我们能够使用可编程逻辑在生成的样本的更小空间上精确地求解CTVM。此外,TipTop还为研究人员提供了一个工具,可以将他们的解决方案与大规模网络中的最佳解决方案进行基准测试,这是目前尚不可用的。
2019-02-07 cs.SI
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
A k-hop Collaborate Game Model: Extended to Community Budgets and Adaptive Non-Submodularity
收入最大化是在线社交网络(OSNs)中最重要的问题之一,它试图在OSNs中找到一个小的用户子集,使得期望的收入最大化。这在以前已经被深入研究过了。然而,现有的文献大多是基于非自适应播种策略和简单的信息扩散模型,如IC/LT模型。它将单个受影响的用户作为计量单位来量化收入。在合作博弈模型出现之前,它把活动作为计算收益的基本对象。由用户发起的活动只能影响距离发起者在k-hop内的那些用户。在此基础上,我们采用自适应种子策略,并制定了收入最大化下的规模预算(RMSB)问题。如果考虑到产品的促销,我们将RMSB扩展到社区预算下的收入最大化(RMCB)问题,其中的影响可以分布在整个网络。RMSB和RMCB的目标函数是自适应单调的,不是自适应子模,但在某些特殊情况下,它是自适应子模。研究了特殊次模情形和一般非次模情形下的RMSB和RMCB问题,分别提出了RMSB Solver和RMCB Solver来解决这两个问题,并给出了强有力的理论保证。特别地,在一般非次模情形下,我们给出了RMSB问题的一个依赖于数据的逼近比。最后,我们通过在真实数据集上进行实验来评估我们提出的算法,并证明了我们的解决方案的有效性和准确性。
2020-04-02 cs.GT cs.SI
Influence Maximization Based on Dynamic Personal Perception in Knowledge Graph
社交网络上的病毒式营销,也被称为影响力最大化(IM),旨在通过最大化其影响力的总传播来选择k个用户来推广目标项目。然而,大多数以前的作品IM不探讨动态用户感知的促进项目的过程中。在本文中,通过利用知识图谱(KG)来捕捉动态用户感知,我们制定了影响力最大化与动态个人感知(IMDPP)的问题,考虑用户的偏好和社会影响,反映了相关项目采用的影响。我们证明了IMDPP的难度,并设计了一个近似算法,命名为动态感知播种在目标市场(Dysim),通过探索的概念,动态可达性,目标市场,和实质性的影响,以选择和促进一系列相关的项目。我们评估的性能与国家的最先进的方法相比,使用真正的社交网络与真正的KG的Dysim。实验结果表明,Dysim在大型数据集中有效地实现了高达6.7倍的影响力传播。
2021-10-01 cs.SI
Location and audience selection for maximizing social influence
病毒式营销活动主要针对那些在社交网络中处于中心地位并因此具有社会影响力的个人。然而,营销活动可能会吸引不同的受众。尽管事件营销的重要性,异质目标群体的影响还没有得到很好的理解。在本文中,我们定义的传播潜力(SP)的问题,其中不同的代理集需要评估和比较的基础上,他们的社会影响力。SP的一个典型应用是为一系列营销活动选择地点。SP问题在两个方面不同于众所周知的影响力最大化(IM)问题。首先,它处理的是集合而不是节点。第二,这一套是多样化的,由有影响力的和普通的代理人组成。因此,SP也需要评估普通代理人的贡献,而IM的目标只是找到顶级传播者。我们提供了一个系统的测试排名的影响措施在SP问题的基础上,节点抽样和一种新的统计方法,排名差异的总和。使用线性阈值扩散模型的在线社交网络,我们评估了七个网络的社会影响力的措施。我们表明,这些影响措施的统计评估是显着不同的SP问题,当低排名的个人存在,从IM问题,当我们专注于算法的首选完全。
2022-01-01 cs.SI
Algorithmic Design for Competitive Influence Maximization Problems
鉴于病毒式营销活动在在线社交网络中的流行,找到一种有效的方法来识别一组最有影响力的节点,以便与其他病毒式营销竞争对手竞争是最重要的。我们提出了一个“一般竞争独立级联(GCIC)”模型来描述两个竞争源在同一网络中的一般影响力传播。我们制定的“竞争影响力最大化(CIM)”问题如下:在一个预先指定的影响力传播模型和竞争对手的种子集是已知的,如何找到一个种子集的$k$节点,以触发最大的影响力级联?我们提出了一个通用的算法框架TCIM的CIM问题下的GCIC模型。TCIM返回概率至少为$1-n^{-\ell}$的$(1-1/e-ε)$近似解,并且具有有效时间复杂度$O(c(k+\ell)(m+n)\log n/ε^2)$,其中$c$取决于特定传播模型,并且还可以取决于$k$和底层网络$G$。据我们所知,这是第一个通用的算法框架,既有$(1-1/e-ε)$性能保证和实际效率。我们在三种特定的影响传播模型下对真实世界的数据集进行了广泛的实验,并展示了我们框架的效率和准确性。特别是,我们实现了四个数量级的加速比相比,以前的国家的最先进的算法的近似保证。
2014-10-31 cs.DS cs.SI
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
Pricing Social Visibility Service in Online Social Networks: Modeling and Algorithms
在线社交网络(OSN),如YoutTube、Instagram、Twitter、Facebook等,作为重要的平台,让用户分享他们的信息或内容给朋友或追随者。通常,用户希望增强他们的社交可见性,因为它可以使他们的内容,即,意见、视频、图片等,吸引更多用户的注意力,从而为他们带来更高的商业利益。出于这一动机,我们提出了一种机制,其中OSN运营商提供了一个“社会知名度提升服务”,以激励“交易”之间的请求者(用户谁寻求通过添加新的“邻居”,以提高他们的社会知名度)和供应商(用户谁愿意被添加为新的“邻居”的任何请求者时,提供某些“奖励”)。我们为OSN提供者设计了一个公布的定价方案,以向使用这种提升服务的请求者收费,并奖励为这种提升服务做出贡献的供应商。OSN运营商从请求者那里保留一部分付款,并通过Shapley值将剩余部分“公平地”分配给参与的供应商。OSN提供者的目标是在请求者的预算约束下选择价格和供应商集合以最大化总收入。我们首先证明了收入最大化问题并不比NP难问题简单。然后,我们将其分解为两个子例程,其中一个专注于选择最优供应商集合,另一个专注于选择最优价格。我们证明了每个子程序的困难性,并最终设计了一个计算效率高的近似算法来解决收入最大化问题的收入差距可证明的理论保证。我们在四个公共数据集上进行了广泛的实验,以验证我们提出的算法的优越性能。
2021-06-19 cs.SI
Intertwined Viral Marketing through Online Social Networks
传统的病毒式营销问题旨在为一个单一产品选择种子用户的子集,以最大限度地提高其在社交网络中的知名度。但在现实场景中,可以同时在社交网络推广多个产品。在产品层面上,这些产品之间的关系可能非常复杂,例如,竞争、互补和独立。在本文中,我们将研究“交织影响力最大化“(即,TIM)问题,我们的目标是在网上社交网络,其中多个其他竞争/互补/独立的产品被同时推广。TIM问题是非常具有挑战性的解决,由于(1)很少有现有的模型可以同时处理多个产品的交织扩散过程,以及(2)目标产品的最佳种子用户选择可能依赖于其他产品的营销策略很多。针对TIM问题,提出了一个统一的贪婪框架TIER(interTwinedInfluenceEstimatoR).在四种不同类型的真实社交网络上进行的大量实验表明,TIER在解决TIM问题方面具有显著的优势,优于所有的比较方法。
2016-07-02 cs.DB cs.SI
Influence Maximization with Spontaneous User Adoption
我们将自激活的影响力传播,并提出了自激活独立级联(SAIC)模型:节点可以是自激活的,除了被选为种子,和影响力传播从选定的种子和自激活的节点。自我激活反映了现实世界的场景,例如人们自然地与朋友分享产品推荐,即使没有营销干预。(a){ \em抢占式影响力最大化(PIM)},其目的是找到$k$节点,如果自激活,可以在其他自激活节点之前到达最多数量的节点;以及(b){ \em增强的抢占式影响力最大化(BPIM)},其目的是选择保证被激活且能先于其他自激活节点到达最多节点的$k$种子。我们提出了可扩展的算法PIM和BPIM,并证明他们实现$1-\varepsilon$近似PIM和$1-1/e-\varepsilon$近似BPIM,任何$\varepsilon > 0$。通过对真实世界图的广泛测试,我们证明了我们的算法在解决方案质量方面明显优于基线算法,并且当自激活行为在节点之间不均匀时,也优于基线BPIM。
2020-03-11 cs.SI
Gradient Method for Continuous Influence Maximization with Budget-Saving Considerations
连续影响最大化(CIM)通过引入一般营销策略来推广原始的影响最大化:营销策略组合是一个向量$\boldsymbol x = (x_1,\dots,x_d)$,对于社交网络中的每个节点$v$,$v$可以被激活为具有概率$h_v(\boldsymbol x)$的扩散种子,其中$h_v$是满足DR-子模块性的策略激活函数。CIM是选择具有约束$\sum_i x_i \le k$的策略混合$\boldsymbol x$的任务,其中$k$是预算约束,使得在扩散过程(称为影响扩散并表示为$g(\boldsymbol x)$)之后激活的节点的总数最大化。在本文中,我们扩展CIM考虑预算节省,即每个策略组合$\boldsymbol x$有一个成本$c(\boldsymbol x)$,其中$c$是一个凸成本函数,我们希望最大化的平衡和$g(\boldsymbol x) + λ(k - c(\boldsymbol x))$,其中$λ$是一个平衡参数,受约束的$c(\boldsymbol x) \le k$。我们把这个问题称为CIM-BS。由于CIM-BS的目标函数既不是单调的,也不是DR-次模的或凹的,因此贪婪算法和梯度法的标准结果都不能直接应用。我们的主要创新是结合梯度法与反向影响抽样设计算法,解决CIM-BS:对于一般情况下,我们给出了一个算法,实现$\left(\frac{1}{2}-\vare…
2019-11-21 cs.SI math.OC
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
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
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
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
Dynamic Gradient Influencing for Viral Marketing Using Graph Neural Networks
University of California, Santa Barbara(加州大学圣巴巴拉分校)
本文提出数据驱动的DVM问题及DGI方法,利用GNN和梯度排序选择低预算高影响力的非采纳者进行动态扰动,在真实属性网络上显著降低预算并提升AUC。
2025-02-19 cs.CR cs.LG 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
Stop-and-Stare: Optimal Sampling Algorithms for Viral Marketing in Billion-scale Networks
影响力最大化(Influence Maximization,IM)是一个多领域的核心问题,即寻找一小部分关键用户,使他们的影响力在网络中广泛传播。它可应用于病毒式营销、流行病控制和评估复杂系统内的连锁故障。尽管付出了巨大的努力,但Facebook、Twitter和万维网等数十亿规模网络中的IM问题仍未得到令人满意的解决。即使是最先进的方法,如TIM+和IMM,在这些网络上也可能需要几天的时间。在本文中,我们提出了SSA和D-SSA,两个新的抽样框架,基于IM的病毒式营销问题。SSA和D-SSA比SIGMOD'15最佳方法IMM快1200倍,同时提供相同的$(1-1/e-ε)$近似保证。我们的框架是一个创新的Stop-and-Stare策略,在这个策略中,他们在指数检查点停止,以验证(凝视)解决方案质量是否有足够的统计证据。理论上,我们证明了SSA和D-SSA是第一个近似算法,使用(渐近)最小数量的样本,满足严格的理论阈值,其特征在于IM。通过对IM和另一个主题感知病毒式营销问题TVM的真实网络数据的大量实验,证实了SSA和D-SSA的绝对优势。源代码可在https://github.com/hungnt55/Stop-and-Stare上获得
2017-02-22 cs.DS cs.SI physics.soc-ph
Top-K Influential Nodes in Social Networks: A Game Perspective
Peking University(北京大学)
影响力最大化是病毒式营销的基础,其目标是在一定的传播模型下找到最大影响力传播的顶级$K$种子节点.本文从博弈的角度研究了影响力最大化问题。我们提出了一个协调博弈模型来研究信息传播,在这个模型中,每个个体都根据与网络邻居的协调利益来做出决策。该模型是对现有的多数票模型和线性阈值模型的推广。在广义模型下,研究了影响力最大化的困难性和贪心算法的近似保证。我们还结合了几种策略来加速算法。实验结果表明,经过加速后,该算法的性能明显优于其他算法,比原贪婪算法快了3个数量级。
2020-06-03 cs.AI cs.SI
A Survey on Location-Driven Influence Maximization
本文综述位置驱动的影响力最大化研究,涵盖应用场景、扩散模型及求解方法,并重点探讨加速技术,展望未来方向。
2025-03-27 cs.GT cs.SI
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
Efficient and Effective Algorithms for A Family of Influence Maximization Problems with A Matroid Constraint
本文针对带拟阵约束的多种子集合影响力最大化问题,提出具有$(1-1/e-ε)$近似保证的高效算法AMP及其快速实现RAMP,在多个真实网络和工业应用中均优于现有方法。
2024-10-22 cs.DB cs.SI
RCELF: A Residual-based Approach for Influence Maximization Problem
影响力最大化问题(IMP)是在社会网络中选择一组种子节点,以尽可能广泛地传播影响力。它在多个领域有许多应用,例如,病毒式营销经常用于新产品或活动广告。虽然它是计算机科学中一个经典且研究得很好的问题,但不幸的是,所有这些提出的技术都在时间效率、内存消耗和结果质量之间进行了妥协。在本文中,我们进行全面的实验研究,最先进的IMP近似方法,以揭示潜在的权衡策略。有趣的是,我们发现,即使是国家的最先进的方法是不切实际的,当网络的传播概率已被考虑在内。根据现有方法的研究结果,我们提出了一种新的基于残差的方法(即,RCELF)的IMP,它i)克服了现有的近似方法的不足,和ii)提供了理论保证的结果,在时间和空间的角度都具有高效率。我们通过对真实数据集的广泛实验评估证明了我们的建议的优越性。
2020-01-22 cs.DB cs.DS cs.SI
Adversarial Graph Embeddings for Fair Influence Maximization over Social Networks
Monash University(莫纳什大学);RMIT University(皇家墨尔本理工大学);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Cambridge(剑桥大学);Alan Turing Institute(艾伦·图灵研究所)
影响力最大化是网络科学中广泛研究的主题,其目标是达到最大可能数量的节点,同时只针对一小部分初始个体。它在许多领域都有重要的应用,包括病毒式营销、信息传播、新闻传播和疫苗接种。然而,该目标通常不考虑受影响的节点的最终集合是否相对于敏感属性(例如种族或性别)是公平的。在这里,我们讨论公平的影响力最大化,旨在更公平地接触少数群体。我们引入了对抗图嵌入:我们共同训练了一个用于图嵌入的自动编码器和一个识别敏感属性的编码器。这导致了类似地分布在敏感属性之间的嵌入。然后我们通过聚类嵌入找到一个好的初始集合。我们相信,我们是第一个使用嵌入的任务,公平的影响力最大化。虽然公平性和影响力最大化目标之间通常存在权衡,但我们在合成和真实世界数据集上的实验表明,我们的方法大大减少了差异,同时与最先进的影响力最大化方法保持竞争力。
2020-05-11 cs.LG cs.SI stat.ML