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
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
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
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 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
On Adaptivity Gaps of Influence Maximization under the Independent Cascade Model with Full Adoption Feedback
本文研究了独立级联模型下的影响力最大化问题在完全采纳反馈下的适应性缺口。我们的主要结果是得到了几个家庭的影响图，包括入树形图，出树形图和二部图的上界。特别地，我们证明了对于内树形结构，适应性间隙介于$[\frac{e}{e-1}, \frac{2e}{e - 1}]$之间，对于外树形结构，适应性间隙介于$[\frac{e}{e-1}, 2]$之间.这些是完全采用反馈模型中的第一个恒定上限。我们提供了一些新的想法来处理相关反馈出现在自适应随机优化，我们相信是独立的利益。
2019-07-03 cs.SI
BCIM: Budget and capacity constrained influence maximization in multilayer networks
针对现有带预算影响最大化问题仅考虑预算约束、适配性不足的问题，提出多层网络下的BCIM问题及MMGA算法，满足双约束且效率更高，传播性能较基线提升至少10%，开辟了影响最大化研究新方向。
2024-10-07 cs.SI
Evolving Influence Maximization in Evolving Networks
影响力最大化（IM）旨在通过找到发起产品广告的“最佳”“种子”用户集，最大限度地增加了解产品的人数。与现有技术的静态社交网络包含固定数量的用户，我们进行了第一次研究IM在更现实的不断发展的网络与时间增长的拓扑结构。然而，演进IM（{ \bfseries EIM}）的任务比静态情况更具挑战性，因为种子选择应该考虑其对未来用户的影响，并且用户彼此影响的概率也随着时间而演进。我们通过$\mathbb{EIM}$来解决这些挑战，$\mathbb{EIM}$是一种新提出的基于bandit的框架，它在种子节点选择和知识（即，节点的生长速度和进化影响）学习。值得注意的是，$\mathbb{EIM}$包括三个新的组件来处理进化带来的不确定性：
2019-11-13 cs.SI
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
HEMI: Hyperedge Majority Influence Maximization
本文研究了超图上的影响力最大化问题。我们首先将独立级联（IC）模型推广到超图，证明了传统的影响力最大化问题仍然是次模问题。然后，我们提出了一个变种的影响力最大化问题（HEMI），其中一个寻求最大限度地提高超边的数量，其大多数节点的影响。我们证明了在所提出的扩散模型下HEMI是非次模的。
2016-06-16 cs.SI physics.soc-ph
Influence Maximization Meets Efficiency and Effectiveness: A Hop-Based Approach
影响力最大化是一个广泛研究的问题，其目标是在在线社交网络（OSNs）中选择一组初始种子节点，以尽可能广泛地传播影响。然而，它仍然是一个开放的挑战，设计快速，准确的算法，以找到解决方案，在大规模的OSN。先前的基于蒙特卡罗模拟的方法是缓慢的，不可扩展的，而其他启发式算法没有任何理论保证，它们已被证明在相当多的情况下产生差的解决方案。在本文中，我们提出了基于跳的算法，可以很容易地扩展到数百万个节点和数十亿条边。与以前的算法不同，我们提出的基于跳的方法可以提供一定的理论保证。真实OSN数据集的实验结果表明了算法的有效性。
2017-08-04 cs.SI
Asymmetric Weighted Cascade Model for Competitive Influence Maximization
本文提出非对称加权级联模型，研究竞争性影响力最大化问题，证明其NP难，并发现预算与产品评分在不同网络直径下的优势差异及图规模与影响节点数的线性关系。
2024-10-23 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
Fair Influence Maximization in Hypergraphs
Faculty of Electrical Engineering, Mathematics, and Computer Science Delft University of Technology（代尔夫特理工大学电气、数学和计算机科学学院）
针对超图上的公平影响力最大化问题，提出启发式种子选择算法FIMH，在SICP传播模型下平衡影响力和公平性，实验表明其影响力与现有方法相当且显著降低不公平性。
2026-06-15 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
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
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
Adaptive Influence Maximization: If Influential Node Unwilling to Be the Seed
影响力最大化问题试图找到一个小的节点子集，使预期的影响传播最大化，这已经被深入研究。他们都假设我们选择的种子集中的每个用户都被成功激活，然后传播影响力。然而，在真实场景中，并非种子集中的所有用户都愿意成为影响者。在此基础上，我们认为每个用户都与我们可以激活她作为种子的概率相关联，并且我们可以尝试多次激活她。本文研究了具有多次激活的自适应影响力最大化（Adaptive-IMMA）问题，在每次迭代中选择一个节点，观察她是否接受作为种子，如果是，等待观察影响扩散过程;如果不是，我们可以尝试以更高的代价再次激活她或选择另一个节点作为种子。我们对多重激活进行了数学建模，并将其定义在整数格上。我们提出了一个新的概念，自适应dr-子模块，并表明我们的自适应IMMA是最大化的自适应单调和dr-子模块功能的期望背包约束下的问题。自适应dr-子模极大化问题是现有研究中尚未涉及的问题。因此，我们总结了它的性质，并全面研究了它的可逼近性，这是对现有自适应子模块分析的一个重要推广。此外，为了克服难以估计的期望的影响蔓延，我们结合我们的自适应贪婪政策与采样技术，而不损失的近似比，但降低了时间复杂度。最后，我们在几个真实的数据集上进行实验，以评估我们提出的政策的有效性和效率。
2020-11-19 cs.SI
Adaptive Submodular Influence Maximization with Myopic Feedback
本文研究了社交网络中的自适应影响力最大化化问题。由于自适应决策是一个时间紧迫的任务，一个现实的反馈模型，被认为是近视。在这个方向上，我们提出了近视的自适应贪婪的政策，保证提供一个（1 - 1/e）-近似的最佳政策下的独立级联扩散模型的变体。该策略最大化的替代效用函数，已被证明是自适应单调和自适应子模块。建议的效用函数考虑了通过时间的活动节点的累积数量，而不是在扩散结束时的活动节点的总数。我们对现实世界的社交网络的实证分析揭示了所提出的近视策略的好处，验证了我们的理论结果。
2018-07-05 cs.SI
An Issue in the Martingale Analysis of the Influence Maximization Algorithm IMM
本文解释了一个微妙的问题，在鞅分析的IMM算法，一个国家的最先进的影响力最大化算法。提出了两种解决方法来解决这个问题，这两种方法都需要对算法进行微小的更改，并且会对算法的运行时间产生轻微的影响。
2018-10-31 cs.DS cs.SI
Adaptive Influence Maximization with Myopic Feedback
在独立级联模型下研究了具有近视反馈的自适应影响力最大化问题：从社会网络中依次选择k个节点作为种子，每个种子返回其激活的近邻节点作为后续选择的反馈，目标是最大化期望的激活节点数，即影响力扩散.我们发现，自适应差距，最佳的自适应影响扩散和最佳的非自适应影响扩散之间的比率，是最多4和至少e/（e-1），和关于最佳的自适应影响扩散的非自适应贪婪和自适应贪心算法的近似比至少\frac{1}{4}（1 - \frac{1}{e}）和最多\frac{e^2 + 1}{(e + 1)^2} < 1 - \frac{1}{e}。此外，非自适应贪心算法的近似比不差的自适应贪心算法，考虑所有的图形。我们的结果证实了Golovin和Krause（2011）关于近视反馈下自适应贪婪的常数近似比的长期公开猜想，并且它也表明自适应贪婪在近视反馈下可能不会带来太多好处。
2019-05-28 cs.SI
Influence maximization on temporal networks: a review
本文综述了时间网络上的影响力最大化问题，将方法分为单次播种和多次播种两大范式，探讨了实际部署及未来研究方向。
2023-07-01 cs.SI
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
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
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
Fair Influence Maximization in Social Networks: A Community-Based Evolutionary Algorithm
针对公平影响力最大化中公平性与运行时间的权衡问题，提出基于社区的演化算法CEA-FIM，通过结合社区规模与节点属性的节点选择策略及演化操作，在真实与合成网络上实现了有效性与效率的更好平衡。
2023-11-24 cs.SI
Influence Maximization over Markovian Graphs: A Stochastic Optimization Approach
本文考虑马尔可夫图过程上的随机影响力最大化问题：给定一个固定的节点集，其连通性图作为马尔可夫链演化，估计在这个固定的节点集上抽样一个节点的概率分布，该节点将引发最大的信息级联（在期望中）。此外，假设采样过程影响图的演化，即采样分布和转移概率矩阵在功能上是相关的。在这种设置中，递归随机优化算法被提出来估计两种情况下的最优采样分布：1）图的转移概率是未知的，但图可以被完美地观察到2）图的转移概率是已知的，但图是在噪声中观察到的。这些算法包括一个邻域大小估计算法结合方差缩减方法，贝叶斯滤波器和随机梯度算法。理论上建立了算法的收敛性，数值结果说明了算法的工作原理。
2017-11-09 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
Distance-Based Influence in Networks: Computation and Maximization
网络分析的核心前提是网络中的实体从它们的连接中获得效用。节点的种子集$S$的{ \em影响}被定义为$S$的{ \em效用}对$u$的节点$u$的总和。{ \em Distance-based}效用是从$S$到$u$的距离的递减函数，在社会网络分析和经济学的几个成功研究线索中进行了探索：网络形成游戏[Bloch和Jackson 2007]，基于可达性的影响[Richardson和Domingos 2002，Kempe等人2003]，“阈值”影响[Gomez-Rodriguez等人2011]，和{ \em贴近中心性} [Bavelas 1948]。我们制定了一个模型，统一和扩展了以前的工作，并解决了两个基本的计算问题，在这个领域：{ \em影响神谕}和{ \em影响力最大化}（IM）。Oracle执行一些预处理，之后可以有效地计算对任意种子集的影响查询。使用IM，我们寻找一组具有最大影响力的给定大小的节点。由于IM问题在计算上是困难的，因此我们转而寻找节点的{ \em贪婪序列}，其中每个前缀具有至少为相同大小的最优种子集的影响的影响的$1-1/e$。我们提出了第一个高度可扩展的算法，这两个问题，提供近似质量和近线性最坏情况下的计算范围的统计保证。我们进行了实验评估，证明了我们的设计在具有数亿条边的网络上的有效性。
2016-01-31 cs.SI
No Time to Observe: Adaptive Influence Maximization with Partial Feedback
虽然影响力最大化问题在过去的十年中得到了广泛的研究，大多数现有的工作采用以下模型之一：\emph{full-feedback model}或\emph{zero-feedback model}。在零反馈模型中，我们必须提前一次性提交所有的种子用户，这种策略也被称为非自适应策略。在全反馈模型中，我们一次选择一个种子，等到扩散完成后再选择下一个种子。全反馈模型具有更好的性能，但潜在的巨大延迟，零反馈模型具有零延迟，但性能较差，因为它没有利用在播种过程中可能进行的观察。为了填补这两个模型之间的差距，我们提出了\emph{Partial-feedback Model}，它允许我们选择一个种子在任何中间阶段。我们开发了两个新的贪婪的政策，第一次，实现有界的近似比下均匀和非均匀的成本设置。
2019-04-21 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
CKS: A Community-based K-shell Decomposition Approach using Community Bridge Nodes for Influence Maximization
社交网络已经在其平台上实现了用户特定的广告和推荐，这使得针对目标广告和相关任务的影响力最大化（IM）成为一个重要的焦点。其目的是确定网络中的节点，这些节点可以通过扩散级联最大限度地传播信息。我们提出了一种基于社区结构的方法，采用K-Shell算法与社区结构之间的连接种子节点和社区生成一个分数。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。我们在四个公开可用的网络上验证了我们的方法，并显示了它对四种最先进方法的优越性，同时仍然相对有效。
2022-11-26 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
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
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 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
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
Beyond Binary Opinions: A Deep Reinforcement Learning-Based Approach to Uncertainty-Aware Competitive Influence Maximization
针对竞争性影响力最大化问题，提出一种基于深度强化学习的不确定性感知框架DRIM，利用主观逻辑建模用户不确定性，优化种子选择，显著提升真实信息传播并超越现有方法。
2025-04-21 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
A hybrid algorithm based on Community Detection and Multi-Attribute Decision-Making for Influence Maximization
影响力最大化问题试图确定一组K个节点，通过这些节点，影响力、疾病或信息的传播被最大化。通过寻找这样的集合来优化影响是一个NP难问题，也是复杂网络分析中的一个关键问题。本文提出了一种基于社区发现算法和多属性决策技术（TOPSIS）的贪婪混合算法--贪婪TOPSIS和基于社区（GTaCB）算法。本文简要介绍了社区发现和TOPSIS技术，并给出了算法的伪代码。然后，从扩散质量和扩散速度两个方面，将GTaCB算法与基于度中心性、贴近度中心性、介数中心性、PageRank和TOPSIS的几种著名的贪心算法进行了性能比较。为了评估GTaCB的性能，计算实验上九种不同类型的现实世界的网络提供。测试是通过一个著名的流行病扩散模型，即易感-感染-传播（SIR）模型。仿真结果表明，在大多数情况下，所提出的算法显着优于其他，主要是作为初始节点的数量或感染概率的增加。
2021-05-20 cs.SI
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
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 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
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
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
VAIM: Visual Analytics for Influence Maximization
在社交网络中，个人的决策受到来自他们的朋友和熟人的推荐的强烈影响。影响力最大化（IM）问题要求选择使影响扩散最大化的用户种子集，即，通过由种子触发的随机扩散过程影响的用户的预期数量。在本文中，我们提出了VAIM，一个可视化的分析系统，支持用户在分析的信息扩散过程中确定不同的IM算法。通过使用VAIM，可以：（i）模拟给定种子集在大型网络上的信息传播，（ii）分析和比较不同种子集的有效性，以及（iii）修改种子集以改善相应的影响传播。
2020-08-20 cs.HC cs.SI
Influence Maximization for Social Good: Use of Social Networks in Low Resource Communities
本论文的主要技术贡献在于：（i）定义了不确定性下的动态影响力最大化（DIME）问题，它准确地模拟了无家可归者收容所所面临的问题;（ii）提出了一种新的部分可观测马尔可夫决策过程（POMDP）模型来解决DIME问题;（iii）设计了两个可扩展的POMDP算法（PSINET和HEALER）用于解决DIME问题，因为常规POMDP求解器不能按比例放大到感兴趣的尺寸;和（iv）我们通过对洛杉矶无家可归的年轻人进行试点研究来测试我们的算法在现实世界中的有效性。这一试点的成功（如后所述）显示了在更大范围内将影响力最大化用于社会公益的前景。
2019-12-03 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
Online Learning with Cumulative Oversampling: Application to Budgeted Influence Maximization
Columbia University（哥伦比亚大学）；Fudan University（复旦大学）
提出了一种用于在线学习的累积过采样方法。我们的主要思想是在每一轮中从更新的信念空间中对参数估计进行一次采样（类似于Thompson采样），并利用当前轮的累积样本来构建乐观的参数估计，这些参数估计渐近地集中在真实参数周围，与标准UCB方法构建的参数估计相比，置信上限更紧。我们将CO应用到一个新的预算变体的影响力最大化（IM）半土匪与线性推广的边缘权重，其离线问题是NP-难的。结合CO和我们为离线问题设计的预言机，我们的在线学习算法同时处理预算分配、参数学习和奖励最大化。我们表明，对于IM半土匪，我们的CO为基础的算法实现了规模的遗憾相比，基于UCB的算法在理论上，并在数值实验中表现与汤普森采样。
2020-09-16 cs.LG cs.SI stat.ML
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
