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
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
Scalable Cost-Aware Multi-Way Influence Maximization
病毒式营销不同于其他营销策略，因为它利用了亲密关系中的影响力，例如，亲密的朋友，家庭成员，夫妻由于Facebook、Twitter和Pinterest等社交网络服务的发展和普及，近年来出现了“社交媒体营销”的新概念，并为在线实现大规模和流行的病毒式营销提供了新的机会。为了促进销售增长，企业正在大力拥抱社交媒体。据《今日美国》报道，运行企业社交网络的软件销售额将以每年61%的速度增长，到2016年将达到$6.4$亿美元的规模。
2015-06-26 cs.DS cs.SI physics.soc-ph
Seed Selection and Social Coupon Allocation for Redemption Maximization in Online Social Networks
在线社交网络已经成为利用信息扩散中的社会影响力进行有效病毒式营销的媒介。然而，新兴的应用社会优惠券（SC）纳入社会推荐优惠券不能有效地解决以往的研究，不考虑SC分配的影响。分配的SC的数量限制了每个用户的受影响的朋友的数量。在本文中，我们不仅研究了种子的选择问题，但SC分配的效果，以优化赎回率，这代表了SC分配的效率。在此基础上，提出了一个基于最大赎回的种子选择和供应链分配问题，并证明了该问题的困难性。我们设计了一种具有性能保证的有效算法，称为种子选择和社交优惠券分配算法。对于S3CRM，我们引入了边际赎回的概念来评估种子和SC的投资效率。此外，为了实现均衡投资，我们提出了一种称为保证路径的新的图结构，以探索最优化赎回率的机会。最后，我们对我们提出的算法与各种基线进行了综合评估。结果验证了我们的想法，并显示所提出的算法的有效性超过基线。
2019-02-20 cs.SI
Smart Information Spreading for Opinion Maximization in Social Networks
意见最大化的目标是使社交网络中的个体对产品、意识形态或任何实体的正面看法最大化。到目前为止，意见最大化主要是在社会网络中寻找一组有影响力的节点来快速传播内容。在本文中，我们提出了一种新的方法来解决这个问题，意见最大化是通过有效的信息传播。在我们的模型中，多个源不断地向网络中注入信息，而具有异构社会学习能力的规则节点通过八卦机制将信息传播给他们的熟人。其中一个信源采用智能信息传播，其余信源随机传播信息。我们的社会互动和意见的演变模型作为一个动态贝叶斯网络（DBN），使用它的意见最大化制定为一个顺序决策问题。由于这个问题是棘手的，我们开发了多个变种的集中式和分散式学习算法，以获得近似的解决方案。通过在合成网络和真实网络中的模拟，我们证明了两个关键结果：1）所提出的方法比随机传播的性能要好得多，2）即使智能源（传播所需内容）位于网络中的不利位置，它也可以胜过位于有利位置的竞争随机源。
2019-01-01 cs.SI physics.soc-ph
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
Influence Maximization in Real-World Closed Social Networks
在过去的几年里，许多封闭的社交网络，如WhatsAPP和微信，已经出现，以满足人们日益增长的隐私和独立的需求。在封闭的社交网络中，发布的内容并不对所有用户可用，或者Facebook可以对谁可以看到发布的内容设置限制。在这样的约束下，我们研究封闭社交网络中的影响力最大化问题。它旨在向用户（不仅仅是种子用户）推荐有限数量的现有朋友，这些朋友将有助于传播信息，从而使种子用户的影响力传播可以最大化。我们首先证明了这个问题是NP-困难的。然后，我们提出了一种非常有效的方法来增强扩散网络，该网络最初仅由种子用户组成。通过迭代和智能地从原始网络中选择和插入有限数量的边来完成增强。通过在真实世界的社交网络上进行广泛的实验，包括部署到真实世界的应用程序中，我们证明了我们所提出的方法的有效性和效率。
2022-09-21 cs.SI
Tell me something my friends do not know: Diversity maximization in social networks
社交媒体有很大的潜力来改善我们社会中的信息传播，然而，它们对一些不良影响负有责任，例如两极分化和过滤泡沫。因此，必须了解这些消极现象，并制定打击这些现象的方法。在本文中，我们提出了一种新的方法来解决在社交媒体中打破过滤器泡沫的问题。我们这样做的目的是最大限度地提高信息的多样性，接触到连接的社交媒体用户。我们制定的问题，最大限度地提高曝光的多样性作为一个二次背包问题。我们表明，建议的多样性最大化问题是不可近似的，因此，我们诉诸多项式非近似算法，启发的解决方案开发的二次背包问题，以及可扩展的贪婪算法。我们补充我们的算法与实例特定的上界，这是用来提供经验近似保证给定的问题实例。我们的实验评估表明，一个建议的贪心算法其次是随机局部搜索的算法的选择，鉴于其质量与。效率权衡。
2018-11-26 cs.SI
Recommending links through influence maximization
链接推荐问题在于向社交网络的用户建议一组链接，以增加他们的社交圈和网络的连通性。链接推荐由于其广泛的应用而在社交网络和一般复杂网络的背景下被广泛研究。现有的大多数链接推荐方法估计链接被用户采用的可能性，并推荐可能被建立的链接。然而，大多数这样的方法忽略了建议的链接对网络传播信息的能力的影响。事实上，这种能力与单个用户的参与和在线社交网络的收入直接相关。本文从信息扩散的角度研究链接推荐系统。详细地说，我们考虑的问题中，我们被允许花费一个给定的预算来创建新的链接，以便建议一个有限数量的可能的人成为朋友，以最大限度地提高一组给定的节点的影响。我们用流行的独立级联模型来模拟网络中的影响力扩散。
2017-06-14 cs.DS cs.SI
Online Influence Maximization in Non-Stationary Social Networks
The University of Hong Kong（香港大学）；Tsinghua University（清华大学）
社交网络已经成为信息传播的流行平台。一个重要的用例是病毒式营销：在给定推广预算的情况下，广告主可以选择一些有影响力的用户作为种子集，并向他们提供免费或折扣的样品产品;这样，广告主希望通过口碑效应增加产品在用户朋友圈中的知名度，从而最大化产品信息所能到达的用户数量。有大量文献研究了影响力最大化问题。然而，现有的研究大多是一次性的基础上调查的问题，假设固定的已知的影响力概率之间的用户，或确切的社会网络拓扑结构的知识。在实践中，社交网络拓扑和影响概率通常对于广告商是未知的，其可以随时间变化，即，在新建立、加强或削弱社会联系的情况下。在本文中，我们专注于一个动态的非平稳的社会网络和设计的随机算法，RSB，基于多臂强盗优化，最大限度地提高影响力传播随着时间的推移。该算法产生一系列在线决策，并利用先前决策的结果来校准其探索-利用策略。它被严格证明可以达到一个上界的遗憾在奖励和适用于大规模的社交网络。使用合成和真实世界的数据集，这表明我们的算法优于以前的平稳方法在非平稳条件下的实际有效性进行评估。
2016-04-26 cs.DS cs.LG cs.SI
CLAIM: Curriculum Learning Policy for Influence Maximization in Unknown Social Networks
Singapore Management University（新加坡管理大学）
影响力最大化是在网络中找到一个可以最大化信息扩散的节点子集的问题。最近，它还被应用于艾滋病毒预防、药物滥用预防、小额信贷采用等，其中目标是识别现实世界物理社交网络中能够向一大群人传播信息的对等领导者的集合。与在线社交网络不同，真实世界的网络并不完全已知，并且收集关于网络的信息是昂贵的，因为它涉及调查多个人。在本文中，我们专注于这个问题的网络发现影响力最大化。在这个方向上的现有工作提出了一个强化学习框架。由于现实世界中的环境交互是昂贵的，因此强化学习算法具有最小可能的环境交互，即样本效率是重要的。在这项工作中，我们提出了索赔-课程学习政策的影响力最大化，以提高样本效率的RL方法。我们在真实世界的数据集上进行了实验，并表明我们的方法可以优于目前最好的方法。
2021-07-08 cs.AI cs.SI
Competition Between Homophily and Information Entropy Maximization in Social Networks
在社交网络中，人们通常认为，两个拥有更多重叠朋友的个体倾向于建立新的友谊，这可以被称为同质性滋生新的联系。而最近提出的最大信息熵假设是小世界网络中有效导航的可能来源。通过理论和实验分析，我们发现信息熵最大化和局部结构同质性之间存在竞争。这种竞争意味着，两个人之间新建立的关系与更多的共同朋友将导致更少的信息熵增益为他们。我们推测，在社会网络的演化过程中，这两种假设是并存的。最大信息熵法则使网络中的个体产生弱联系，而同伦法则则使网络局部高度聚集，个体之间产生强而信任的联系。我们的研究结果从一个新的角度阐明了社会网络建模。
2014-11-12 cs.SI physics.soc-ph
A Community-Aware Framework for Social Influence Maximization
Purdue University（普渡大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Iowa State University（爱荷华州立大学）；KAUST（阿卜杜拉国王科技大学）
我们考虑影响力最大化（IM）问题，即在社交网络中选择$k$种子节点的任务，以便最大化受影响的节点的预期数量。我们提出了一个社区意识分而治之的框架，涉及（i）学习社会网络的固有社区结构，（ii）通过解决每个社区的影响力最大化问题生成候选解决方案，以及（iii）选择最终的种子节点使用一种新的渐进式预算方案。我们在现实世界的社交网络上的实验表明，该框架优于标准方法的运行时间和探试法的影响。我们还研究了社区结构对所提出的框架的性能的影响。我们的实验表明，社区结构具有较高的模块化导致所提出的框架，以执行更好的运行时间和影响力。
2023-02-19 cs.AI cs.SI
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
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
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
Adaptive Influence Maximization in Dynamic Social Networks
为了通过社交网络传播信息和思想，种子策略的目的是找到一个小的种子用户，能够最大限度地扩大影响力的传播，这被称为影响力最大化问题。尽管已有大量的研究成果对该问题进行了研究，但现有的播种策略仅限于静态的社交网络。事实上，由于数据传输的高速性和参与者的庞大性，现实世界的社交网络中的扩散过程具有许多方面的不确定性。不幸的是，如实验所示，在这种情况下，最先进的播种策略是悲观的，因为它们无法跟踪社交网络中的动态变化。在本文中，我们研究的策略选择种子用户的自适应方式。我们首先形式化建模的动态独立级联模型，并引入自适应播种策略的概念。然后基于所提出的模型，我们表明，一个简单的贪婪自适应播种策略找到了一个有效的解决方案，可证明的性能保证。除了贪心算法之外，为了满足实际需要，还提出了一种有效的启发式算法。在真实网络和合成幂律网络上进行了大量的实验。本文的结果证明了自适应播种策略优于其他标准方法。
2015-06-20 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
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
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
Algorithms for Influence Maximization in Socio-Physical Networks
给定一个有向图（表示一个社交网络），影响力最大化问题是找到k个节点，当这些节点受到影响（或被激活）时，将最大化被激活的剩余节点的数量。在本文中，我们考虑了一个更一般的版本的问题，包括一个额外的一组节点，称为物理节点，这样的一个节点在社会网络中的一个或多个物理节点覆盖。物理节点在任何时候都以两种状态之一存在，打开或关闭，并且可以打开的物理节点的最大数量有限制。在该设置中，如果社交网络中的不活动节点在社交网络中具有足够的活动邻居并且如果它被开放的物理节点中的至少一个覆盖，则社交网络中的不活动节点变为活动的。这个问题出现在灾难恢复中，在灾难发生后，只有在其社交网络中的足够多的群体返回并且其附近的一些基础设施组件得到修复后，流离失所的社会群体才决定返回。一般的问题是NP-难近似在任何常数因子，因此，我们的特点是最佳和近似算法的特殊情况下的问题。
2020-11-30 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 on Dynamic Social Networks with Conjugate Learning Automata
从所有顶点中选择最佳子集作为种子，以最大化社交网络中的影响力，一直是一个感兴趣的任务。已经提出了各种方法来选择静态网络中的最优顶点，然而，它们受到动态性的挑战，即社会网络结构的时间依赖性变化。这种动态阻碍了静态网络的范式，并在静态网络上的影响力最大化算法和动态网络上的算法之间留下了似乎不可逾越的鸿沟。在本文中，我们扩展了我们以前的工作，并证明了共轭学习自动机（强化学习的一个基本变体），已成功地应用于静态网络的影响最大化，可以应用于动态网络。网络动态性通过影响范围的变化来衡量，并被吸收到学习过程中。我们的建议微妙地阐述了网络动态的影响：影响范围变化越大，种子就越有可能从头开始学习。在这种假设下，网络变化的连续性得到充分利用。在合成网络和真实网络上的实验结果验证了我们的建议对替代方法的特权。
2020-10-21 cs.SI
Opinion Maximization in Social Networks
通过不同观点的综合和对比形成意见的过程一直是经济学和社会科学中许多研究的主题。今天，这一过程也体现在在线社交网络和社交媒体中。成功的促销活动的关键特征是，他们考虑到这种意见形成的动态，以创造一个关于特定信息项目，如一个人，一个产品，或一个想法的整体有利的意见。在本文中，我们采用了一个完善的社会意见动态模型，并正式确定一组目标个人的积极意见的信息项将最大限度地提高整体积极的意见，在社会网络中的项目的问题的广告设计问题。我们把这个问题称为“竞选”。我们研究了CAMPAIGN问题的复杂性，并设计了求解该问题的算法，在实际数据上的实验证明了算法的有效性和实用性。
2013-01-30 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
Influence Maximization in Social Networks: A Survey of Behaviour-Aware Methods
本文针对当前社交网络影响力最大化研究中缺乏行为感知方法全面综述的空白，梳理相关方法并提出分类体系，填补了该领域的研究缺口。
2023-05-04 cs.SI
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
A Random Algorithm for Profit Maximization with Multiple Adoptions in Online Social Networks
针对在线社交网络中多产品采纳的利润最大化问题，提出基于反向影响力采样的随机化修正贪婪算法，实现近最优近似比，并在真实网络上验证其优于现有方法。
2021-01-15 cs.SI
Earned Benefit Maximization in Social Networks Under Budget Constraint
给定一个具有非均匀用户选择成本的社会网络，\textit{Budgeted Influence Maximization}（简称BIM）问题要求在分配的预算内选择节点的子集用于初始激活，使得由于级联效应，网络中的影响最大化。在本文中，我们研究这个问题的变化，其中一组节点被指定为目标节点，他们每个人都被分配了一个利益值，可以通过影响他们赚取，我们的目标是通过最初激活一组节点在预算内赚取的利益最大化。我们称这个问题为\textsc{Earned Benefit Maximization Problem}。首先证明了该问题是NP \mbox{-} Hard问题，在扩散的\textit{Independent Cascade Model}下，效益函数为\textit{monotone}，\textit{sub\mbox{-}modular}.我们提出了一个增量贪婪的策略，这个问题，并显示，与微小的修改，它给$(1-\frac{1}{\sqrt{e}})$ \mbox{-}因子近似保证赚取的利益。其次，利用效益函数的次\mbox{-}模块性，提高了所提出的贪心算法的效率。然后，我们提出了一个跳\mbox{-}为基础的探试法，它的工作原理的基础上计算的有效邻居对应的目标节点的“预期收益”。最后，我们用四个真实的\mbox{-}生活，公开可用的社交网络数据集进行了一系列广泛的实验。从实验中，我们…
2020-04-08 cs.DS cs.MA 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
A Reverse Reachable Set Based Approach for Motif Oriented Profit maximization in Social Networks
Indian Institute of Technology Jammu（印度技术学院詹穆分校）
本文提出了一种基于逆向可达集的方法，用于在社交网络中通过动机导向最大化利润，通过优化种子节点选择以提高利润收益。
2025-12-22 cs.SI
Non-Progressive Influence Maximization in Dynamic Social Networks
University of Amsterdam（阿姆斯特丹大学）；Utrecht University（乌得勒支大学）
针对动态社交网络的非渐进式影响最大化问题，本文扩展扩散模型，提出结合动态图嵌入与深度强化学习的DNIMRL方法，经真实数据集验证性能优于现有最优基线。
2024-12-10 cs.AI cs.SI
Information Coverage Maximization in Social Networks
社交网络由于其流行性，近年来得到了广泛的研究。这些研究的丰富主体与影响力最大化有关，其目的是选择一组种子节点，以使过程结束时的活动节点的预期数量最大化。然而，主动节点集并不能完全代表信息传播的真实覆盖范围。当节点的任何邻居变得活跃并且尝试激活它时，节点可以被通知该信息，尽管该节点（即被通知的节点）仍然是不活跃的。因此，在研究网络中信息传播的覆盖时，需要同时考虑主动节点和知道信息的知情节点。沿着这条线，在本文中，我们提出了一个新的问题，称为信息覆盖最大化，旨在最大限度地提高预期数量的活跃节点和知情的。在证明了该问题在独立级联模型和线性阈值模型下是NP难的和次模块化的之后，我们设计了两个算法来解决该问题，并在三个真实数据集上进行了大量的实验，验证了所提算法的性能。
2015-10-13 cs.SI physics.soc-ph
Fairness-aware Competitive Bidding Influence Maximization in Social Networks
针对竞争性影响力最大化中忽视节点起拍价与预算效率的问题，提出CBIM问题及FMCBIM框架，通过多智能体环境、动态起拍价机制和MCBIM算法优化竞价策略。
2023-08-20 cs.SI
On the Fairness of Time-Critical Influence Maximization in Social Networks
影响力最大化已经在广泛的现实世界问题中得到应用，例如，在线社交网络中的产品的病毒式营销，以及诸如职位空缺广告和健康相关信息的有价值信息的信息传播。虽然现有的算法技术通常旨在最大化受影响的总人数，但人口通常包括几个社会显著群体，例如，基于性别或种族。因此，这些技术可能导致不同群体在接收重要信息方面的差异。此外，在许多此类应用中，影响力的传播对时间至关重要，即，只有在最后期限之前受到影响才是有益的。正如我们在本文中所展示的那样，信息的时间关键性可能会进一步加剧不同群体之间的影响力差距。这种差异是由旨在最大化总体影响力的算法引入的，可能会产生深远的影响，影响人们的繁荣，并使少数群体处于非常不利的地位。在这项工作中，我们提出了一个概念，在时间关键的影响力最大化组公平。我们引入代理目标函数来解决公平性下的影响力最大化问题。通过利用我们的目标的子模块化结构，我们提供了计算效率高的算法，保证在传播过程中有效地执行公平。我们通过合成和真实世界的实验证明了我们的方法的有效性。
2021-11-03 cs.CY cs.SI
Influence Maximization in Social Networks: A Survey
本文综述了社交网络中影响力最大化（IM）问题的研究进展，回顾了信息扩散模型与经典IM算法，提出分类法并按时间整理里程碑工作，同时探讨了面向应用的研究及未来开放性问题。
2023-09-09 cs.SI
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
Graph Neural Networks for Influence Maximization in Social Networks: An Unsupervised Minimum Dominating Set Approach
Tehran Institute for Advanced Studies (TeIAS)（德黑兰高等研究院）；University of Tehran（德黑兰大学）
本文提出无监督图神经网络框架求解最小支配集问题，无需真实标签训练，在合成图训练后推理速度比元启发式快55倍，比监督学习快14倍，并能泛化到真实社交网络。
2026-09-15 cs.LG cs.SI
Opinion-aware Influence Maximization in Online Social Networks
本文研究意见感知的影响力最大化问题，提出基于反向可达集和夹逼近似的算法，在保证正面意见扩散的同时抑制负面意见传播，并在三个真实数据集上验证了其优越性。
2023-01-27 cs.SI
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
DeepPM: A Deep Learning-based Profit Maximization Approach in Social Networks
iitjammu.ac.in（印度贾穆卢技术学院）
DeepPM提出一种基于深度学习的社会网络利润最大化方法，通过学习多样化的信息扩散模式，提升种子集选择的利润效果。
2026-02-01 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
SP-GCRL: Influence Maximization on Incomplete Social Graphs
School of Systems Science and Engineering（系统科学与工程学院）；Sun Yat-sen University（中山大学）；Jiangxi University of Finance and Economics（江西财经大学）；The Hong Kong Polytechnic University（香港理工大学）；Anhui University of Science and Technology（安徽理工大学）
本文提出SP-GCRL框架，通过社交传播感知的图对比强化学习实现端到端的种子选择，解决了不完整社交图和非平稳扩散动态带来的挑战，提升了效率和可扩展性。
2026-06-17 cs.AI cs.SI
Strategies for Utility Maximization in Social Groups with Preferential Exploration
我们考虑一个\emph{Social Group}的网络节点，寻求一个“宇宙”的部分，其效用最大化。每个节点都有一个子集的宇宙，并访问一个昂贵的链接下载数据。节点还可以通过使用节点间链路在它们之间以低成本交换段的副本来获取全域。虽然在节点间链路上的交换确保了最小或可忽略的成本，但组中的一些节点试图利用该系统。我们把这样的节点称为“非往复节点”，并通过提出“给予和接受”标准来禁止这种行为，其中允许交换，如果每个参与节点都有不可用的段。遵循节点间链路的这一标准，每个节点都希望最大化其效用，这取决于节点可用的节点段集。节点之间的链路激活需要参与节点的相互同意。每个节点试图通过优先探索用于链路形成的节点来找到配对伙伴，并且未配对的节点选择使用具有段攻击概率的昂贵链路来下载段。我们提出了各种线性复杂度分散算法的基础上\emph{Stable Roommates Problem}，可以使用的节点（根据其行为性质）选择最佳策略的基础上可用的信息。然后，我们提出了分散的随机算法，执行接近最佳的大量节点。我们定义了\emph{Price of Choices}，用于对社会群体（仅由非攻击性节点组成）的性能进行基准测试。我们评估各种算法的性能和特征的行为制度，将产生最好的结果，节点和社会群体，花费最少的昂贵的链接。我们认为社会群体组成的非侵略性节点和基准性能的最佳算法。
2014-09-10 cs.DS cs.GT cs.MA
Profit Maximization over Social Networks
影响力最大化是在社交网络中找到一组有影响力的用户，使得在特定传播模型下的影响力的预期传播最大化的问题。以前的许多工作都忽略了社会影响力和实际产品采用之间的重要区别。然而，正如管理科学文献中所认识到的那样，受到社会熟人影响的个人可能不一定会采用某种产品（或技术），例如，对金钱的担忧。在这项工作中，我们明确建模的影响和采用的产品的状态之间的区别影响和采用。我们扩展了经典的线性阈值（LT）模型，将价格和估值，并将其纳入用户采用产品的决策过程。我们表明，我们提出的模型下的预期利润函数在一定条件下保持子模块性，但不再表现出单调性，不像预期的影响力传播函数。为了最大化我们的扩展LT模型下的预期利润，我们采用了一个无预算的贪婪框架，提出了三个利润最大化算法。在三个真实数据集上进行的详细实验研究表明，在三种算法中，基于每个候选种子的利润潜力动态分配价格的\textsf{PAGE}在预期利润和运行时间上都具有最佳性能。
2013-06-05 cs.GT cs.SI physics.soc-ph
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
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
Going viral: Optimizing Discount Allocation in Social Networks for Influence Maximization
本文研究了社交网络中的折扣分配问题。据报道，40%的消费者会与他们的朋友分享电子邮件优惠，28%的消费者会通过社交媒体平台分享交易。这对企业意味着什么？从本质上讲，折扣不应该仅仅被视为吸引个人客户的短期解决方案，相反，将折扣分配给一小部分用户（称为种子用户）可能会在社交网络中引发大规模的级联。这促使我们研究影响力最大化折扣分配问题：给定一个社会网络和预算，我们需要决定用户应该向哪个初始集提供折扣，以及折扣值多少。我们的目标是最大限度地增加最终采用目标产品的客户数量。我们调查这个问题下的非自适应和自适应设置。在第一个设置中，我们必须提前一次性提交种子用户集和相应的折扣。在后一种情况下，决策过程以顺序方式执行，并且被挑选的每个种子用户提供关于折扣的反馈，或者换句话说，揭示她是否将采用折扣。我们提出了一个简单的贪婪策略，在非自适应设置的近似比为$\frac{1}{2}(1 - 1/e)$。对于明显更复杂的自适应设置，我们提出了一个自适应贪婪政策的期望效用有界逼近比。
2016-06-25 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
Cheshire: An Online Algorithm for Activity Maximization in Social Networks
Sharif University（谢里夫大学）；IIT Kharagpur（印度理工学院克勒格布尔分校）；Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
用户在社交网络中的参与度主要取决于用户在网络中采取的在线行动的数量。我们能否设计一种算法，找到何时激励用户采取行动，以最大限度地提高社交网络中的整体活动？在本文中，我们建模的在线行动的数量随着时间的推移，使用多维霍克斯过程，推导出这些过程的替代表示的基础上随机微分方程（SDES）的跳跃，并利用这种替代表示，解决上述问题的角度随机最优控制的SDES跳跃。我们发现，激励行动的最佳水平线性依赖于当前的整体行动水平。此外，该线性关系的系数可以通过求解矩阵Riccati微分方程和一阶微分方程来求出，矩阵Riccati微分方程可以被有效地求解，一阶微分方程具有封闭形式的解。因此，我们能够设计一个有效的在线算法，柴郡，抽样的最佳时间的用户的激励行动。从Twitter收集的合成和真实数据的实验表明，我们的算法能够始终最大限度地提高在线行动的数量比最先进的。
2017-03-06 cs.DS cs.LG 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
Scalable Adversarial Attack Algorithms on Influence Maximization
本文研究了社交网络中动态影响力传播模型下影响力最大化的对抗攻击。特别地，给定已知的种子集S，问题是通过删除有限数量的节点和边来最小化从S传播的影响。这个问题反映了许多应用场景，例如通过隔离和疫苗接种来阻止病毒（例如COVID-19）在社交网络中的传播，通过冻结虚假账户来阻止谣言传播，或者通过激励一些用户忽略来自竞争对手的信息来攻击竞争对手的影响力。本文在线性阈值模型下，采用反向影响抽样方法，给出了有效反向可达路径的抽样算法。我们提出了三种不同的设计选择，反向采样，这都保证$1/2 - \varepsilon$近似（任何小$\varepsilon >0$）和有效的运行时间。
2022-12-17 cs.DS cs.SI physics.soc-ph
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
Adaptive Influence Maximization in Social Networks: Why Commit when You can Adapt?
以前大多数关于社交网络中影响力最大化的工作都局限于非自适应设置，在这种设置中，营销人员应该选择所有的种子用户，预先提供免费样品或折扣。这种设置的缺点在于，营销者被迫仅基于扩散模型来选择所有种子。如果某些选定的种子表现不佳，则没有机会进行课程校正。一个更实际的设置是自适应设置，其中营销人员最初选择一批用户，并观察这些用户的播种如何导致产品采用的扩散。根据市场反馈，她制定了选择剩余种子的政策。在本文中，我们研究了两个问题的自适应离线策略：（a）MAXSPREAD -给定种子数量和时间范围的预算，最大限度地扩大影响力和（b）MINTSS -给定时间范围和预期数量的目标用户受到影响，最小化所需的种子数量。特别是，我们提出了自适应策略的理论界限和实证结果，并量化其实际效益的非自适应策略。我们评估自适应和非自适应政策的三个真实的数据集。我们的结论是，虽然去适应MAXSPREAD问题的好处是适度的，自适应的政策导致显着节省的MINTSS问题。
2016-04-27 cs.SI
