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
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
Online Influence Maximization with Semi-Bandit Feedback under Corruptions
本文针对社交网络中节点可能被损坏的在线影响力最大化问题，提出鲁棒赌博机算法 CW-IMLinUCB，在理论和实验上均优于现有方法。
2024-09-30 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
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
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
Correlation Robust Influence Maximization
Naval Postgraduate School（海军研究生院）；SUTD（新加坡科技设计大学）
针对影响力最大化问题提出了一个分布鲁棒模型。与经典的独立级联模型\citep{kempe2003maximizing}不同，该模型的扩散过程与种子集的选择相反。因此，我们不是在网络中所有影响关系都是独立的假设下进行优化，而是寻找一个种子集，其在最差相关性下的预期影响，即“最坏情况下的预期影响”，被最大化。我们表明，这种最坏的情况下的影响可以有效地计算，虽然优化是NP难的，（$1 - 1/e$）近似保证持有。分析了对手选择扩散过程的结构，并与已有模型进行了对比。除了关键的计算优势之外，我们还强调了独立性假设可能会导致最优性的程度，并通过比较对抗性和独立级联模型的数值实验提供了见解。
2022-02-22 cs.AI cs.DS cs.LG
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
Online Influence Maximization under Decreasing Cascade Model
Shanghai Jiao Tong University（上海交通大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Alibaba, Inc.（阿里巴巴集团）
本文针对市场饱和现象提出递减级联模型，并设计DC-UCB算法解决在线影响力最大化问题，取得与IC模型最先进工作同阶的遗憾界，实验验证了其有效性。
2023-05-19 cs.LG 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
Sketch-based Influence Maximization and Computation: Scaling up with Guarantees
通过网络传播传染是一个基本过程。它被用来模拟信息、影响力或病毒感染的传播。扩散模式可以由概率模型（如独立级联（IC））指定，或由一组代表性迹线捕获。扩散研究中的基本计算问题是影响查询（确定指定节点种子集的效力）和影响力最大化（确定给定大小的最有影响力的种子集）。搜索每个影响查询涉及许多边遍历，并且当在非常大的图上存在许多查询时不会缩放。影响力最大化的黄金标准是贪心算法，它迭代地向种子集添加一个节点，使影响力的边际增益最大化。Greedy有一个至少为（1-1/e）的保证近似比，并且实际上产生一个节点序列，每个前缀都有关于相同大小的最优近似保证。由于Greedy不能扩展到超过几百万条边，因此对于较大的输入，目前必须使用为预先指定的小种子集大小设计的算法或替代算法。我们开发了一种新的基于草图的影响力计算设计。我们的贪婪基于草图的影响力最大化（SKIM）算法可扩展到具有数十亿条边的图形，与最好的贪婪方法相比具有一到两个数量级的加速。它仍然有一个保证的近似比，在实践中，它的质量几乎与精确贪婪匹配。我们还提出了影响预言机，它使用线性时间预处理来为每个节点生成一个小草图，允许任何种子集的影响从其节点的草图中快速得到回答。
2014-08-26 cs.DS 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
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
Beyond Worst-Case (In)approximability of Nonsubmodular Influence Maximization
我们考虑通过选择固定数量的初始种子来最大化社交网络中的影响力传播的问题，正式称为影响力最大化问题。如果影响函数是次模的，则它允许一个$(1-1/e)$ -因子近似算法.否则，在最坏的情况下，该问题是NP-难的，难以近似到$N^{1-\varepsilon}$的因子内。本文研究是否可以通过对底层网络拓扑结构或级联模型进行假设来规避这种最坏情况下的硬度结果。我们所有的假设都是由许多现实生活中的社交网络级联驱动的。首先，我们提出了一个非常有限的网络称为（随机）分层块模型，一个特殊的情况下，充分研究（随机）块模型，其中块之间的关系承认一个树结构的一类强不可逼近的结果。我们还提供了一个动态程序为基础的多项式时间算法，最佳计算层次块模型网络的影响力最大化问题的有向变量。我们的算法表明，不可近似的结果是由于代理块之间的影响的双向性。其次，我们提出了强不可逼近的一类影响函数，“几乎”次模，称为2-quasi-submodular。我们的不可逼近性结果甚至对任何预先固定的2-拟次模$f$都成立。这一结果还表明，在影响力最大化的可逼近性方面，子模块化和非子模块化之间的“阈值”是尖锐的。
2019-12-05 cs.DS cs.SI
Real-Time Influence Maximization on Dynamic Social Streams
影响力最大化（Influence Maximization，IM）是一个基本问题，它选择一组$k$用户（称为种子）来最大化在社交网络上的影响力，广泛应用于病毒式营销和网络监控。现有的IM解决方案未能考虑社会影响的高度动态性质，这导致网络演化时种子质量差或处理时间长。为了解决这个问题，我们定义了一个新的IM查询命名为流影响力最大化（SIM）的社会流。技术上，SIM采用滑动窗口模型，并维护一组对最近的社交行为具有最大影响值的$k$种子。接下来，我们提出了影响检查点（IC）框架，以促进连续SIM查询处理。IC框架为每个窗口幻灯片创建检查点，并确保获得$\varepsilon$近似解。为了提高其效率，我们进一步设计了一个稀疏影响检查点（SIC）框架，选择性地保持$O(\frac{\log{N}}β)$检查点的大小$N$的滑动窗口，并保持一个$\frac{\varepsilon(1-β)}{2}$近似的解决方案。在真实世界和合成数据集上的实验结果证实了我们提出的框架对最先进的IM方法的有效性和效率。
2017-02-06 cs.DS cs.SI
Provably Efficient Reinforcement Learning for Online Adaptive Influence Maximization
Princeton University（普林斯顿大学）；LinkedIn（领英）；Penn State University（宾夕法尼亚州立大学）
在线影响力最大化是指在网络模型未知的情况下，通过选择少量种子节点，最大化内容在社交网络中的影响力传播。最近的研究遵循非自适应设置，其中在扩散过程开始之前选择种子节点，并且在扩散停止时更新网络参数。我们考虑一个自适应版本的内容相关的在线影响力最大化问题的种子节点被顺序激活的基础上实时反馈。在本文中，我们将该问题表示为线性扩散过程下的无限时域折扣MDP，并提出了一种基于基于模型的强化学习解决方案。我们的算法保持一个网络模型的估计，并自适应地选择种子用户，探索社会网络，同时提高最优策略的乐观。我们建立了算法的$\widetilde O(\sqrt{T})$后悔界。在合成网络上的实验结果验证了算法的有效性。
2022-06-29 cs.LG cs.SI stat.ML
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
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
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
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
Online Competitive Influence Maximization
Carnegie Mellon University（卡内基梅隆大学）；The Chinese University of Hong Kong（香港中文大学）；Microsoft Research（微软研究院）
在线影响力最大化作为一种在学习未知网络参数值的同时最大化通过社交网络传播的影响力的方式已经引起了很多关注。大多数以前的作品集中在单个项目的扩散。在本文中，我们引入了一个新的在线竞争影响力最大化（OCIM）问题，其中两个竞争项目（例如，产品、新闻故事）在同一网络中传播，并且边缘上的影响概率是未知的。我们采用了组合多臂强盗（CMAB）框架OCIM，但与非竞争性设置，重要的单调性属性（影响扩散增加时，边缘上的影响概率增加）不再持有由于竞争性质的传播，这带来了一个重大的新挑战的问题。我们提供了一个非平凡的证明，CMAB的触发概率调制（TPM）条件仍然保持在OCIM，这是我们提出的算法OCIM-TS和OCIM-OFU实现次线性贝叶斯和频率后悔，分别是有用的。我们还设计了一个OCIM-ETC算法，需要更少的反馈和更容易的离线计算，在一个更坏的频率论遗憾界的代价。实验结果证明了算法的有效性。
2022-03-02 cs.LG cs.SI stat.ML
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
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
Influence Maximization with Bandits
University of British Columbia（不列颠哥伦比亚大学）
我们考虑的问题，\emph{influence maximization}，最大限度地提高人们的数量，成为一个产品，通过找到“最好的”一组“种子”用户暴露的产品。关于这个主题的大多数先前的工作假设我们知道每个用户影响其他用户的概率，或者我们有数据可以让我们估计这些影响。然而，这种信息通常最初不可用或难以获得。为了避免这种假设，我们采用了一种组合的多臂强盗范式，当我们依次尝试不同的种子集时，该范式估计影响概率。我们建立了边界上的现有的边缘级反馈，以及一个新的和更现实的节点级反馈下，这个过程的性能。除了我们的理论结果，我们描述了一个实际的实施和实验证明其效率和有效性的四个真实的数据集。
2016-04-27 cs.LG cs.SI stat.ML
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
Fast and Error-Adaptive Influence Maximization based on Count-Distinct Sketches
影响力最大化（IM）是在给定的扩散模型下找到最大化受影响顶点的期望数量的种子顶点集的问题。由于寻找最优种子集的NP困难性，近似算法经常用于IM。在这项工作中，我们描述了一种快速，错误自适应的方法，利用计数-不同的草图和基于哈希的融合采样。为了估计整个扩散中受影响的顶点的数量，我们使用逐顶点Flajolet-Martin草图，其中每个草图对应于一个采样子图。为了有效地模拟扩散，单个顶点的到达集基数以连续的方式存储在内存中。这使得所提出的算法估计的影响顶点的数量在一个单步的模拟一次。对于更快的IM内核，我们只有在观察到超过给定阈值的估计误差后才并行重建草图。我们的实验结果表明，该算法产生高质量的种子集，而高达119倍的速度比最先进的近似算法。此外，它比基于草图的方法快62倍，同时产生的种子集的影响力分数提高了3%-12%
2021-05-09 cs.DS 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
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
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
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
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
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
DISCO: Influence Maximization Meets Network Embedding and Deep Learning
Xidian University（西安电子科技大学）；Nanyang Technological University（南洋理工大学）
自2003年引入以来，影响力最大化（IM）问题在文献中引起了极大的研究关注。IM的目标是选择一组k个用户，这些用户可以影响社交网络中最多的个人。该问题被证明是NP难的。已经提出了大量的近似算法来解决这个问题。最先进的算法估计基于采样的扩散路径的节点的预期影响。由于所需样本的数量最近已被证明是由一个特定的阈值，这使得精度和效率之间的折衷下界，这些传统的解决方案的结果质量是很难进一步提高，而不牺牲效率。在本文中，我们提出了一个正交的和新的范式来解决IM问题，利用深度学习模型来估计预期的影响。具体来说，我们提出了一个名为DISCO的新框架，它结合了网络嵌入和深度强化学习技术来解决这个问题。对真实网络的实验研究表明，与最先进的经典解决方案相比，DISCO实现了最佳的性能w.r.t效率和影响传播质量。此外，我们还表明，学习模型具有良好的通用性。
2019-06-18 cs.LG 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
Fair Influence Maximization: A Welfare Optimization Approach
University of Southern California（南加州大学）；Harvard University（哈佛大学）；RAND Corporation（兰德公司）
一些行为，社会和公共卫生干预措施，如自杀/艾滋病毒预防或社区对自然灾害的准备，利用社交网络信息，以最大限度地扩大覆盖面。已经提出了政治影响力最大化技术，以帮助在这种干预中选择“同行领导者”或“影响者”。然而，影响力最大化的传统算法并没有考虑到这些干预而设计。因此，它们可能不成比例地将少数群体社区排除在干预措施的惠益之外。这激发了对公平影响力最大化的研究。现有技术具有两个主要缺点。首先，它们需要承诺一个单一的公平措施。第二，这些措施通常作为严格的约束而施加，导致不期望的性质，例如资源浪费。为了解决这些缺点，我们提供了一个公平的影响力最大化算法应该满足的属性的原则性表征。特别是，我们提出了一个框架的基础上社会福利理论，其中每个社区的基数效用汇总使用等弹性社会福利功能。在此框架下，公平与效率之间的权衡可以通过一个单一的不平等厌恶设计参数来控制。然后，我们表明在什么情况下，我们提出的原则可以满足福利功能。由此产生的优化问题是单调和次模块化的，可以有效地解决最优性保证。我们的框架包括作为特殊情况leximin和比例公平。合成和真实世界的数据集，包括滑坡风险管理的案例研究的广泛实验证明了所提出的框架的有效性。
2020-12-15 cs.AI 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
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
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 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
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
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
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
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
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
Influence Maximization in Continuous Time Diffusion Networks
在一个扩散网络中寻找最优的源节点集，在有限的时间内最大限度地传播信息、影响和疾病，这个问题极大地依赖于网络的底层时间动态。然而，迄今为止，这在很大程度上仍未得到探索。为此，给定一个网络及其时间动态，我们首先描述连续时间马尔可夫链如何允许我们分析计算从一组源节点开始的扩散过程所到达的节点的平均总数。然后，我们表明，选择一组最有影响力的源节点在连续时间的影响力最大化问题是NP-难的，并开发一个有效的近似算法，可证明的近最优性能。合成和真实扩散网络上的实验表明，我们的算法优于其他国家的最先进的算法至少~20%，是在不同的网络拓扑结构的鲁棒性。
2012-05-08 cs.DS cs.SI physics.soc-ph
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
LOFA: Online Influence Maximization under Full-Bandit Feedback using Lazy Forward Selection
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
LOFA通过利用次模性质和懒惰前向选择，在全伯德反馈下实现更低的实证后悔，优于现有算法。
2026-01-02 cs.AI cs.LG 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
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
