Winning the Social Media Influence Battle: Uncertainty-Aware Opinions to Understand and Spread True Information via Competitive Influence Maximization
提出一种基于深度强化学习并整合主观逻辑的竞争性影响力最大化框架,通过不确定性感知观点模型在社交网络中有效传播真实信息以缓解虚假信息,显著优于现有方法并在部分可观测网络中表现稳健。
2024-04-30 cs.SI
Opinion Maximization in Social Trust Networks
社交媒体网站正在成为产品推广或营销活动的重要平台。因此,有广泛的兴趣,以确定如何引导网站作出更积极的反应,以有限的预算的产品。然而,现有的关于这一主题的研究的实际意义是有限的,原因有两个。首先,大多数研究都在过度简化的网络中研究这个问题,其中忽略了几个重要的网络特征。其次,个人的意见被建模为二分状态(例如,然而,在许多研究中,这种设置对于许多真实场景来说过于严格。在这项研究中,我们关注的社会信任网络(STNs),这有显着的特点,在以往的研究中被忽视。我们推广了一个著名的连续值的意见动力学模型的STNs,这是更符合实际情况。随后,我们正式提出了两个新的问题,以解决这个问题的STNs。此外,我们开发了两种基于矩阵的方法来解决这两个问题,并在真实世界的数据集上进行了实验,以证明我们的方法的实用性。
2020-06-19 cs.GT cs.SI
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
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
Maximizing positive opinion influence using an evidential approach
Université de Tunis(突尼斯大学);Université de Rennes 1(雷恩第一大学);Centre d’Etudes et de Recherche des Télécommunications(电信研究中心);Université de Carthage(迦太基大学)
在本文中,我们提出了一个新的数据为基础的模型,在线社交网络的影响力最大化。我们利用信度函数的理论来克服数据不完美的问题。此外,所提出的模型搜索,以检测影响者用户,采取了积极的意见,对产品,想法等,要传播。此外,我们提出了一些实验来显示我们的模型的性能。
2016-10-20 cs.AI 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
Applicability of the Minimal Dominating Set for Influence Maximization in Multilayer Networks
University of Technology Sydney(悉尼科技大学)
本研究改进局部改进MDS流程并结合线性阈值模型,探索其在多层网络影响力最大化种子选择中的适用性,发现MDS仅在特定情境(如较大种子预算、较低激活阈值及“AND”策略)下能提升传播效果。
2025-09-17 cs.MA cs.SI
Shifting Opinions in a Social Network Through Leader Selection
我们研究了法国DeGroot的意见动态在一个社会网络中有两个两极分化的政党。我们考虑一个网络,其中一方的领导人是给定的,我们提出的问题,选择的领导人集的反对党,以转移的平均意见,以一个期望的值。当每一方只有一个领导者时,我们用转移矩阵和网络中随机游动的平稳分布来表示平均意见。分析表明,两个领导者节点之间的影响平衡。我们发现,选择最多$k$绝对领导者转移的平均意见的问题是$\mathbf{NP}$ -硬。然后,我们把问题归结为一个带有次模块背包约束和附加基数约束的次模块最大化问题,并提出了一个带有上界搜索的贪心算法来逼近最优解。我们还在随机网络和真实网络中进行了实验,以证明该算法的有效性。
2020-05-16 cs.SI cs.SY eess.SY
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
Maximizing Contrasting Opinions in Signed Social Networks
经典的影响力最大化问题在社交网络中找到有限数量的有影响力的种子用户,使得网络中受影响的用户的预期数量最大化,遵循影响力级联模型。这个问题已经在不同的设置中进行了研究,进一步推广了图结构,例如,边缘权重和极性,目标用户类别等。在本文中,我们介绍了一个独特的影响力扩散的情况下,涉及人口分裂成两个不同的群体,具有相反的意见。我们的目标是找到最有影响力的$k$种子节点,以便同时最大限度地采用两个不同的,对立的意见,在两个群体中,分别。有效地找到这些有影响力的用户在广泛的应用中至关重要,例如增加选民参与度和投票率,引导公众辩论和关于有争议意见的社会问题的讨论。我们用选民模型来模拟意见扩散和动态,然后设计一个线性时间和精确的算法COSiNeMax,同时还研究了网络中的长期意见特征。我们的实验与几个真实世界的数据集证明了所提出的算法的有效性和效率,与各种基线相比。
2019-10-26 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
Influence Maximization under The Non-progressive Linear Threshold Model
在信息网络中的影响力最大化问题中,目标是在一定的预算约束下选择一组初始活动节点,使得随着时间的推移活动节点的期望数量最大化。线性阈值模型被引入到研究意见级联行为,例如,产品和创新的传播。在本文中,我们扩展了经典的线性阈值模型[18],以捕获非渐进的边界。我们的模型下的信息最大化问题被证明是NP-Hard的,即使在底层网络没有有向圈的情况下。本文的第一个结果是否定的。一般而言,扩展线性阈值模型的目标函数不再是次模的,因此现有研究中常用的爬山方法不适用。其次,作为本文的主要结果,我们证明了如果底层信息网络是有向无环的,则目标函数是次模的(并且是单调的)。因此,在给定预算的有向无环网络中,我们可以通过确定性算法实现在一定时间内最大化活动节点数的1/2近似,通过随机算法实现(1 - 1/e)近似.
2015-04-02 cs.SI
Stochastic Opinion Dynamics for Interest Prediction in Social Networks
我们利用在线社交网络的核心-外围结构和强大的同质属性来开发更快,更准确的用户兴趣预测算法。现代社交网络的核心由相对较少的有影响力的用户组成,他们的兴趣简介是公开的,而大多数外围用户基于共同的兴趣关注足够多的用户。我们的方法是预测周边节点的利益,从他们的有影响力的连接的利益。为此,我们需要一个正式的模型来解释共同利益如何导致网络连接。因此,我们提出了一个随机的兴趣形成模型,最近邻影响模型(NNIM),这是受Hegselmann-Krause意见形成模型的启发,旨在解释同质性如何塑造网络。基于NNIM,我们开发了一种有效的方法来预测的周边用户的兴趣。在技术层面上,我们使用变分期望最大化来优化瞬时似然函数,使用NNIM的平均场近似。我们证明,我们的算法收敛速度快,是能够顺利扩展到网络与数百万个节点。我们在标准网络基准上的实验表明,我们的算法比最好的已知节点嵌入方法快两个数量级,并达到相似的精度。
2021-07-07 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
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
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
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
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
Influence Maximization based on Threshold Model in Hypergraphs
本文提出超图集体影响力(HCI)理论框架,扩展消息传递方法描述阈值模型激活过程,设计HCI-TM算法同时考虑节点与超边激活以选择影响力最大化集合,在合成与真实超图中优于竞争算法,并可用于预测级联现象。
2023-11-22 cs.SI nlin.CD
Graph-Aware Evolutionary Algorithms for Influence Maximization
社交网络如今在许多情况下代表着信息传播的主要来源以及影响意见和行动的方式。例如,一般的广告不如我们联系人的建议强大。然而,这个过程在很大程度上取决于传播这些建议的人的影响力。因此,现代营销通常涉及为广告产品或想法向一些目标用户或影响者付费。因此,在社交网络中找到导致最高信息传播的节点集-所谓的影响力最大化(IM)问题-是一个紧迫的问题,因此它最近吸引了很大的研究兴趣。特别是,已经提出了几种基于进化算法(EAs)的方法,虽然它们被称为与图形大小的规模差。在本文中,我们从两个方面来解决这个问题。首先,我们使用近似的适应度函数,以加快EA。其次,我们包括到EA的各种图形感知机制,如智能初始化,自定义突变和节点过滤,以促进EA收敛。我们的实验表明,所提出的修改允许获得相关的运行时增益,并在某些情况下,也提高了传播的结果。
2021-04-30 cs.NE 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
Influence maximization in unknown social networks: Learning Policies for Effective Graph Sampling
Indian Institute of Technology Madras(印度理工学院马德拉斯分校);McGill University(麦吉尔大学);Mila(米拉魁北克人工智能研究所);Harvard University(哈佛大学)
在现实世界的社交网络中寻找有影响力的参与者时,一个严重的挑战是缺乏对底层网络结构的了解。目前最先进的方法依赖于手工制作的采样算法;这些方法以精心构建的顺序对节点及其邻居进行采样,并从这个发现的网络中选择意见领袖,以最大限度地扩大(未知)完整网络中的影响力。在这项工作中,我们提出了一个强化学习框架的网络发现,自动学习有用的节点和图形表示编码的重要结构特性的网络。在训练时,该方法识别网络的部分,使得从该采样子图中选择的节点可以有效地影响完整网络中的节点。这种基于可转移网络结构的自适应策略的实现归因于对由适当的奖励方案驱动的相关节点和图签名进行编码的框架的精心设计。我们对来自四个不同领域的真实社交网络进行了实验,结果表明,与当前最先进的方法相比,我们的RL代理学习到的策略提高了10-36%。
2020-02-20 cs.LG cs.SI
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
A Spreader Ranking Algorithm for Extremely Low-budget Influence Maximization in Social Networks using Community Bridge Nodes
Delhi Technological University(德里理工大学);University of Technology Sydney(悉尼科技大学)
近年来,社交网络平台在大众中获得了显著的普及,如与人联系,传播思想和观点。这为这些平台上的用户特定广告和推荐打开了大门,并带来了对社交网络上影响力最大化(IM)的极大关注,因为它在目标广告,病毒式营销和个性化推荐中具有广泛的适用性。IM的目的是识别网络中的某些节点,这些节点可以帮助通过扩散级联最大化某些信息的传播。虽然已经提出了几个工程IM,大多数是低效的,充分利用社区结构。在这项工作中,我们提出了一个社区结构为基础的方法,它采用了K-Shell算法,以产生一个分数的种子节点和社区之间的连接低预算的情况下。此外,我们的方法在社区内使用熵,以确保社区内信息的正确传播。我们选择了独立级联(IC)模型来模拟信息传播,并在四个评价指标上对其进行评价。我们在八个公开可用的网络上验证了我们提出的方法,并发现它在这些指标上的表现明显优于基线方法,同时仍然相对有效。
2022-11-17 cs.AI cs.SI
Maximizing Influence in an Ising Network: A Mean-Field Optimal Solution
社交网络中的影响力最大化问题通常是在传染模型和不可逆过程的背景下研究的。在本文中,我们考虑一个替代模型,将个人意见作为自旋伊辛系统在动态平衡。我们正式的\textit{Ising influence maximization}的问题,它有一个自然的物理解释,最大限度地提高了外部磁场的预算磁化。在平均场(MF)近似下,我们提出了一种梯度上升算法,该算法使用磁化率来有效地计算磁化强度的局部最大值,并且当MF磁化强度是凹的并且我们的算法收敛到全局最优值时,我们开发了一些充分条件。我们将我们的算法应用于随机和现实世界的网络,显着地证明了MF最佳外部场(即,使MF磁化最大化的外部场)从在高温下聚焦于高度个体转变为在低温下聚焦于低度个体。我们还建立了一些新的结果,在一般的图形拓扑结构的铁磁MF伊辛模型的稳态结构,这是独立的利益。
2017-02-19 cond-mat.dis-nn cs.SI physics.soc-ph
Machine learning-based prediction of Q-voter model in complex networks
本研究利用机器学习算法,基于网络拓扑度量预测复杂网络中Q-voter模型的共识时间与意见变化频率,发现聚类系数和信息中心性为关键预测因子,并揭示极化效应机制。
2023-10-13 cond-mat.stat-mech cs.SI physics.soc-ph
Beyond Individual Influence: The Role of Echo Chambers and Community Seeding in the Multilayer three state q-Voter Model
Wrocław University of Science and Technology(弗罗茨瓦夫科技大学)
研究揭示多层三态q-投票模型中回音室与社区播种的影响机制,指出拓扑熵最大化优于局部集群强化,VoteRank在复杂传染中表现更优。
2026-02-20 cs.SI physics.soc-ph
Combined Centrality Measures for an Improved Characterization of Influence Spread in Social Networks
影响力最大化(Influence Maximization,IM)的目标是在社交网络中发现最具影响力的用户。例如,在特定传播模型内最大化意见传播的用户。以前的工作研究了影响扩散和节点中心性措施之间的相关性,以绕过更昂贵的IM模拟。结果是有希望的,但不完整,因为这些研究调查的性能(即。例如,识别有影响力的用户的能力)的中心性措施,只有在有限的设置,e。例如,在一个实施例中,在无向/未加权网络中和/或在IM较不常见的传播模型内。在本文中,我们首先表明,良好的结果内的易感性-删除-删除(SIR)的无权重和无向网络的传播模型不一定转移到流行的独立级联(IC)的传播模型下的有向或加权网络。然后,我们确定了一组具有良好性能的加权和有向网络内的IC模型的中心性措施。我们的主要贡献是一种新的方式来结合在一个封闭的公式,以产生更好的结果的中心性措施。此外,我们还扩展了引力中心性(GC)与建议的组合中心性措施。我们在50个真实数据集上的实验表明,我们提出的中心性测度显著优于著名的中心性测度和最先进的GC测度。社交网络,影响力最大化,中心性测度,IC传播模型,影响力传播者
2020-03-11 cs.SI physics.soc-ph
Maximizing Coverage Centrality via Network Design: Extended Version
网络中心性在许多应用中起着重要的作用。社交网络中的中心节点可能具有影响力,推动观点,传播新闻或谣言。在超链接环境中,例如Web,用户通过点击进行导航,中心内容获得高流量,成为广告活动的目标。虽然在中心性度量及其有效计算方面有大量的工作,但通过网络更新来控制节点的中心性是一个更新且具有挑战性的问题。对网络进行最小的修改以实现所需的属性属于网络设计问题的范畴。本文的重点是提高覆盖中心的一组节点,这是对节点的数量,有一个最短的路径通过集合,通过添加边缘的网络。我们证明了强不可逼近的结果,并提出了一个贪心算法最大化覆盖中心。为了保证可扩展性的大型网络,我们还设计了一个有效的采样算法的问题。除了提供一个广泛的经验评估我们的算法,我们还表明,在一些现实的约束条件下,所提出的解决方案实现几乎最佳的近似覆盖中心最大化。
2017-10-09 cs.SI