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
Influence Maximization in Hypergraphs
复杂网络中的影响力最大化，即，近年来，通过为给定的传播过程选择K个种子节点来最大化受影响节点的大小已经引起了极大的关注。然而，超图中的影响力最大化问题，即利用超边来表示两个以上节点之间的相互作用，仍然是一个悬而未决的问题。本文提出了一种自适应的基于度的启发式算法，即，启发式度折扣（HDD），迭代地选择具有低影响重叠的节点作为种子，以解决超图中的影响力最大化问题。我们进一步扩展算法从普通的网络作为基线，并比较所提出的算法和基线的真实数据和合成超图的性能。结果表明，HDD在有效性和效率方面都优于基线。此外，在合成超图上的实验表明，HDD具有很高的性能，特别是在度分布不均匀的超图上。
2022-06-03 cs.SI
Adaptive Influence Maximization under General Feedback Models
影响力最大化是一个典型的问题，使应用程序在各个领域，并在过去的十年中得到了广泛的研究。经典的影响力最大化问题探讨了在扩散过程开始之前部署种子用户的策略，以使总影响力最大化。在其自适应版本中，允许种子节点在观察到某些扩散结果后以自适应方式启动。本文对自适应影响力最大化问题进行了系统的研究，重点分析了非自适应子模化情形下的算法。我们引入了后悔率的概念，它表征了自适应播种策略设计中的关键权衡，在此基础上，我们提出了著名的贪婪政策的近似分析。此外，我们提供了有关提高效率和限制后悔率的分析。最后，我们提出了几个未来的研究方向。
2019-04-12 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
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
Fast Influence Maximization in Dynamic Graphs: A Local Updating Approach
我们提出了一个广义的框架，影响力最大化在大规模，时间演化网络。诸如社交网络、电话网络和IP业务数据的许多现实生活影响图表现出动态特性，例如，基础结构和通信模式随时间而演变。相应地，我们开发了一个动态框架的影响力最大化的问题，在那里我们执行有效的本地更新，以快速调整前k影响者，在网络中的结构和通信模式的变化。我们设计了一种新的N族方法（N=1，2，3，.）基于近似保证为（1-1/e）的最大影响树形（MIA）传播模型。然后，我们通过将N族方法扩展到其他信息传播模型（例如，独立级联、线性阈值）和影响力最大化算法（例如，CELF，反向可达草图）。基于对几个真实世界，动态和大规模网络的详细实证分析，我们发现，与最先进的算法相比，我们提出的解决方案N-Family将前k个影响者的更新时间提高了1-2个数量级，同时确保类似的内存使用和影响力传播。
2018-08-10 cs.SI
Refutations on "Debunking the Myths of Influence Maximization: An In-Depth Benchmarking Study"
在SIGMOD最近发表的一篇题为“揭穿影响力最大化的神话：深入的基准研究”的论文中，Arora等人[1]对几种知名的影响力最大化算法进行了性能基准研究。在这个过程中，他们反驳了几个已发表的结果，并声称已经挖掘和揭穿了围绕影响力最大化研究存在的几个“神话”。本文的目的是客观地、批判地审视他们的主张，并驳斥错误的主张。我们的调查发现，首先，Arora等人[1]的整体实验方法是有缺陷的，并导致科学上不正确的结论。其次，论文[1]充斥着各种影响力最大化算法的问题，包括错误的实验，并得出了许多关于这些算法的误导性结论。重要的是，他们没有意识到运行时间和解决方案质量之间的权衡，并且没有将其正确地纳入他们的实验方法中。本文系统地指出了[1]中存在的问题，并驳斥了其中的11个错误论断。
2017-06-09 cs.SI
QuickIM: Efficient, Accurate and Robust Influence Maximization Algorithm on Billion-Scale Networks
影响力最大化（IM）问题旨在找到网络中的k个种子顶点，从该种子顶点开始，影响力可以在网络中最大程度地传播。在本文中，我们提出了QuickIM，第一个通用的IM算法，达到所有理想的性能，在同一时间，即高的时间效率，良好的结果质量，低内存占用，高鲁棒性的实际适用的IM算法。在现实世界的社交网络上，QuickIM实现了时间复杂度和$Ω(n)$空间复杂度的$Ω(n + m)$下限，其中$n$和$m$分别是网络中顶点和边的数量。我们的实验评估验证了QuickIM的优越性。首先，QuickIM运行速度比最先进的IM算法快1-3个数量级。其次，除了EasyIM，QuickIM需要的内存比最先进的算法少1-2个数量级。第三，QuickIM总是产生与最先进的算法一样高质量的结果。最后，QuickIM的时间和内存性能与影响概率无关。在包含超过36亿条边的实验中使用的最大网络上，QuickIM能够在不到4分钟的时间内找到数百个有影响力的种子，而所有最先进的算法都无法在一小时内终止。
2018-05-31 cs.DB cs.SI
Counting the number of metastable states in the modularity landscape: Algorithmic detectability limit of greedy algorithms in community detection
即使在各种更好的形成算法被提出之后，使用贪婪算法的模块化最大化仍然是图中社区检测的流行方法。除了其清晰的机制和易于实现之外，这种方法一直很受欢迎，因为据推测，它的算法失败风险还没有得到很好的理解。这种快速通信提供了深入了解这个问题，通过估计模块化最大化的算法性能限制。这是通过在局部更新规则下计数亚稳态的数量来实现的。我们的研究结果提供了一个定量的洞察稀疏的水平，在贪婪算法通常失败。
2019-01-18 cs.SI physics.soc-ph
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
Influence Maximization: Near-Optimal Time Complexity Meets Practical Efficiency
给定一个社交网络G和一个常数k，影响力最大化问题要求G中的k个节点在预定义的扩散模型下（直接和间接）影响最大数量的节点。这个问题在病毒式营销中有着重要的应用，并在文献中得到了广泛的研究。现有的算法影响力最大化，然而，要么贸易近似保证实际效率，反之亦然。特别是，在突出的独立级联（IC）模型或线性阈值（LT）模型下实现常数因子近似的算法中，没有一个可以处理百万节点的图而不产生高昂的开销。本文提出了TIM算法，旨在弥合理论和实践中的影响力最大化。在理论方面，我们证明了TIM在O（（k+ \ell）（n+m）\log n / ε^2）期望时间内运行，并以至少1 - n^{- \ell }的概率返回（1-1/e-ε）-近似解。在IC模型下，TIM的时间复杂度接近最优，因为它只比先前工作中建立的Ω（m + n）下限大\log n倍（对于固定的k、\ell和ε）。此外，TIM支持触发模型，这是一个通用的扩散模型，其中包括IC和LT作为特殊情况。在实践方面，TIM采用了新的经验主义，显着提高其经验效率，而不影响其渐近性能。我们用文献中测试过的最大数据集对TIM进行了实验评估，结果表明，它在运行时间上比最先进的解决方案（具有近似保证）高出四个数量级。特别是，当k = 50，ε= 0.2，\ell = 1时，TIM在商品机器上需要不到一个小时来处理具有4160万个节点和14亿条边的网络。
2014-04-30 cs.DB 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
Online Influence Maximization (Extended Version)
社交网络通常用于营销目的。例如，可以向少数有影响力的社交网络用户（或“种子节点”）提供产品的免费试用品，希望他们能说服他们的朋友购买该产品。营销人员将目标形式化的一种方法是通过影响力最大化（或IM），其目标是在固定预算下找到最佳的种子节点进行激活，以便最终最大化受影响的人数。最近的IM解决方案依赖于用户影响另一个用户的影响概率。然而，该概率信息可能不可用或不完整。在本文中，我们研究IM的影响概率的完全信息的情况下。我们称这个问题为在线影响力最大化（OIM），因为我们在运行影响力活动的同时学习影响力概率。为了解决OIM问题，我们提出了一种多尝试方法，其中（1）根据现有的影响力信息选择一些种子节点;（2）从这些种子节点开始影响力活动;（3）使用用户的反馈来更新影响力信息。我们采用了Explore-Exploit策略，该策略可以使用当前影响概率估计（exploit）或估计的置信区间（explore）来选择种子节点。任何现有的IM算法都可以在这个框架中使用。我们还开发了一个增量算法，可以显着减少处理用户的反馈信息的开销。实验结果表明，该方法在部分信息的情况下比传统的IM方法更有效。
2015-06-03 cs.DB cs.SI physics.soc-ph
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
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
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
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
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
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
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
Time is What Prevents Everything from Happening at Once: Propagation Time-conscious Influence Maximization
在Kempe等人的开创性论文中定义的影响力最大化（IM）问题已经受到了各种研究团体的广泛关注，导致了各种各样的解决方案的设计。不幸的是，这个经典的IM问题忽略了这样一个事实，即影响力传播达到最大范围所花费的时间在现实世界的社交网络中可能是显著的，在此期间，底层网络本身可能已经发展。这种现象可能对所选择的种子的质量具有相当大的不利影响，并且因此使用这种经典定义作为其构建块的所有现有技术生成具有次优影响扩散的种子。在本文中，我们重新审视经典的IM问题，并提出了一个更现实的版本称为PROTEUS-IM（传播时间意识影响力最大化），以取代它解决上述限制。具体来说，由于影响力传播可能需要时间，我们假设潜在的社交网络可能会在影响力传播过程中演变。因此，PROTEUSIM的目标是在当前网络中选择种子，以最大限度地提高影响传播过程结束时网络未来实例中的影响传播，而无需假设未来网络的完整拓扑知识。我们提出了一个贪婪的和反向可达（RR）集为基础的算法称为PROTEUS-GENIE和PROTEUS-SEER，分别解决这个问题。我们的算法利用最先进的森林火灾模型对影响传播过程中的网络演化进行建模，以找到优质的种子。真实和合成社交网络的实验研究表明，我们提出的算法始终优于最先进的经典IM算法的种子集质量。
2017-09-27 cs.DB cs.DM 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
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
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
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
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
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
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
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
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
Adversarial Influence Maximization
University of Pennsylvania（宾夕法尼亚大学）；University of Wisconsin（威斯康星大学）
研究了在对抗环境下固定网络中传染模型的影响力最大化问题。我们的目标是选择一组最佳的节点来播种影响过程，这样在活动结束时受影响的节点的数量就尽可能大。我们制定的问题作为一个重复的玩家和对手之间的游戏，对手指定的边缘沿其传染病可能会蔓延，和玩家选择的节点集，以影响在一个在线的方式。我们建立了无向和有向网络中极大极小伪后悔的上界和下界。
2019-01-19 cs.LG cs.SI stat.ML
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
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
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 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
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
Influence Maximization in Ising Models
本文研究了Ising模型上的影响力最大化问题，发现在有限预算下该问题存在与树唯一性阈值一致的计算相变：高温区有线性时间近似最优算法，低温区在多项式时间内不可解。
2024-01-03 cs.DS cs.SI math.PR
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
Fast Budgeted Influence Maximization over Multi-Action Event Logs
在社交网络中，影响力最大化是识别在整个网络中拥有最大{ \it影响力}的一组用户的问题。在本文中，一种新的信用分布（CD）为基础的模型，被称为多动作CD（mCD）模型，被引入到量化的影响力，每个用户，它与实际的数据集，其中一种类型的动作可以记录多次。基于该模型，将影响力最大化问题转化为一般背包约束下的子模块最大化问题，该问题是NP-难的。一个有效的流媒体算法与一轮扫描的用户集，以找到一个次优的解决方案。具体来说，我们首先解决背包约束的特殊情况，即，的基数约束，并表明开发的流算法可以实现（$\frac{1}{2}-ε$）-近似的最优性。此外，对于一般的背包的情况下，我们表明，修改后的流算法可以实现（$\frac{1}{3}-ε$）-近似的最优性。最后，在真实的Twitter数据集上进行了实验，结果表明，与传统的CD模型相比，mCD模型在估计社交网络中受影响的总人数方面具有较高的准确性.此外，通过与传统的CD模型、非CD模型以及基于贪心算法的mCD模型在影响力最大化问题上的性能比较，验证了基于流算法的mCD模型的有效性和效率。
2018-01-26 cs.DS cs.SI
Monotone Submodular Diversity functions for Categorical Vectors with Application to Diversification of Seeds for Targeted Influence Maximization
将多样性嵌入到知识发现任务中对于增强挖掘模式的意义至关重要，这些模式具有与新颖性，偶然性和道德相关的高影响力方面。令人惊讶的是，在社交网络中影响力最大化的经典问题中，相对较少的研究致力于多样性及其融入影响力最大化方法的目标函数。在这项工作中，我们提出了一个边信息为基础的概念，种子多样性的目标函数的目标影响力最大化问题的集成。从假设边信息是在节点级别的分类属性值的一般形式，我们设计了一类单调子模块功能，专门构思用于确定一组分类配置文件内的多样性与种子被发现。这使我们能够开发一种有效的可扩展的近似方法，具有恒定的最优因子保证。更确切地说，我们制定了基于属性的多样性敏感的有针对性的影响力最大化问题下的国家的最先进的反向影响抽样框架，我们开发了一种方法，称为ADITUM，确保（1-1/e-ε）-近似解下的一般触发扩散模型。我们在五个真实世界的网络上对ADITUM进行了实验评估，包括与利用基于数值属性的多样性和拓扑驱动的多样性来实现影响力最大化的方法进行比较。
2019-12-08 cs.DS cs.SI physics.soc-ph
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
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
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
