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
Time-Critical Adversarial Influence Blocking Maximization
China University of Mining and Technology（中国矿业大学）；Graph Mining and Social Computing Lab（图挖掘与社会计算实验室）
本文提出时间敏感的对抗性影响阻断最大化问题，通过引入时间约束和理论证明子模性，设计了高效的双向影响采样算法，在多个数据集上验证了其鲁棒性和效率优势。
2026-03-22 cs.GR cs.SI
REM: A Scalable Reinforced Multi-Expert Framework for Multiplex Influence Maximization
Posts and Telecommunications Institute of Technology（邮电技术学院）；FPT University（FPT大学）；University of Florida（佛罗里达大学）
本文提出REM框架，结合传播专家混合与强化学习，自主生成并优化种子集，以解决多重影响最大化中未知传播模式和训练样本依赖问题，并在多个真实数据集上验证其在影响传播、可扩展性和推理时间上优于现有方法。
2025-01-01 cs.AI cs.SI
Toward Scalable Graph Unlearning: A Node Influence Maximization based Approach
本文提出基于节点影响力最大化的可扩展图遗忘方法，通过解耦影响传播和细粒度影响函数识别受影响节点，并构建微调框架平衡遗忘与推理，在14个数据集上实现最优性能。
2025-01-21 cs.AI cs.DB cs.LG
Scalable Influence Maximization for Multiple Products in Continuous-Time Diffusion Networks
Google Research（谷歌研究院）；Princeton University（普林斯顿大学）；Carnegie Mellon University（卡内基梅隆大学）；MPI for Software Systems（马克斯·普朗克软件系统研究所）；Georgia Institute of Technology（佐治亚理工学院）
一个典型的病毒式营销模式在社交网络中识别有影响力的用户，以最大限度地提高单一产品的采用，假设无限的用户注意力，活动预算和时间。在现实中，多种产品需要活动，用户的注意力有限，说服用户会产生成本，广告商的预算有限，并希望尽快最大限度地提高采用率。面对这些用户，货币和时间的限制，我们制定的问题作为一个子模块最大化的任务在一个连续时间的扩散模型的交叉点下的拟阵和多个背包约束。我们提出了一个随机算法估计用户的影响在网络（$|\mathcal{V}|$节点，$|\mathcal{E}|$边缘）的$ε$与$n=\mathcal{O}(1/ε^2)$随机化和$\tilde{\mathcal{O}}(n|\mathcal{E}|+n|\mathcal{V}|)$计算的准确性。通过利用影响估计算法作为子例程，我们开发了一种自适应阈值贪婪算法，当$k$背包约束之外的$k_a$处于活动状态时，该算法可实现最佳逼近因子$k_a/(2+2 k)$。在数百万节点的网络上进行的大量实验表明，该算法在有效性和可扩展性方面达到了最先进的水平。
2017-01-29 cs.DS cs.LG cs.SI
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
Efficient collective influence maximization in cascading processes with first-order transitions
在社交网络中，大群体的集体行为可以由一小群影响者通过“同伴压力”诱导的级联过程来塑造。对于大规模的网络，有效地识别多个有影响力的传播者的阈值模型，表现出一阶过渡的线性算法仍然是一个具有挑战性的任务。在这里，我们解决这个问题，探索在一般阈值模型的行为级联的集体影响。我们的分析表明，传播器的重要性是固定的亚临界路径沿级联传播：连接到每个传播器的亚临界路径的数量决定其对全球级联的贡献。次关键路径的概念使我们能够引入一个线性可扩展的算法，为大规模的网络。在合成随机图和真实网络中的实验结果表明，与其他线性可扩展的启发式方法相比，在相同种子数的情况下，该方法可以获得更大的集体影响力.
2017-03-15 cs.SI physics.soc-ph
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
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
An Asymptotically Optimal Approximation Algorithm for Multiobjective Submodular Maximization at Scale
针对多目标子模最大化中现有算法保证弱或依赖昂贵多重线性扩展的问题，提出首个可扩展、实用且具有最佳已知近似保证的算法，并引入公平中心性最大化应用。
2025-05-15 cs.DS cs.SI
Holistic Influence Maximization: Combining Scalability and Efficiency with Opinion-Aware Models
来自社交网络的图形数据的稳定增长导致了在寻找影响力最大化问题的解决方案方面的广泛研究。在本文中，我们提出了一个整体解决方案的影响力最大化（IM）问题。(1)我们引入了一个意见暨互动（OI）模型，密切反映了现实世界的场景。在OI模型下，我们引入了一个新的问题，最大化的有效意见（MEO）的影响用户。我们证明了MEO问题是NP-困难的，除非P=NP，否则不能在一个常数比内近似。(2)我们提出了一个启发式算法OSIM有效地解决MEO问题。为了更好地解释OSIM启发式，我们首先介绍EaSyIM -OSIM的意见无关版本，一个可扩展的算法，能够在商品硬件上的实际计算时间内运行。除了作为OSIM的基本构建块之外，EaSyIM还能够解决IM问题的可伸缩性方面-内存消耗和运行时间。从经验上讲，我们的算法是能够保持在传播的偏差始终在5%的文献中最知名的方法。此外，我们的实验表明，OSIM和EaSyIM都是有效的，高效的，可扩展的，并显着提高了分析真实数据集的能力。
2016-02-09 cs.DB 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 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
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
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
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
Fast Geometric Embedding for Node Influence Maximization
University of Austin（奥斯汀大学）；Temple University（泰勒大学）
本文提出一种高效力布局算法，将图嵌入低维空间，用径向距离替代传统中心性指标，实现快速影响节点识别。
2026-04-28 cs.AI cs.LG cs.SI
