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
Online Influence Maximization under the Independent Cascade Model with Node-Level Feedback
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Microsoft Research Asia（微软亚洲研究院）
我们研究了社交网络中的在线影响力最大化（OIM）问题，学习者反复选择种子节点生成级联，观察级联反馈，并逐渐学习在多轮中生成最大级联的最佳种子。在现实世界的需求，我们的工作与节点级反馈，而不是常见的边级反馈在文献中。边级反馈揭示了级联传递信息的所有边，而节点级反馈仅揭示了具有时间戳的激活节点。节点级反馈可以说是更现实的，因为在实践中，观察谁受到影响相对容易，但很难观察影响来自哪个关系（边缘）。在线性阈值扩散模型下，已有一种近似最优的$\tilde{O}(\sqrt{T})$ -后悔算法求解OIM问题。对于独立级联（IC）扩散模型，是否存在相同的算法仍然未知。在本文中，我们解决了这个开放的问题，提出了一个$\tilde{O}(\sqrt{T})$ -后悔算法的OIM问题下的IC模型与节点级反馈。
2022-08-25 cs.DS cs.LG 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
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
Think Globally, Act Locally: On the Optimal Seeding for Nonsubmodular Influence Maximization
我们研究了$r$ -复杂传染影响力最大化问题。在影响力最大化问题中，人们在社交网络中选择固定数量的初始种子，以最大化其影响力的传播。在$r$ -复合传染模型中，如果网络中的每个未感染顶点至少有$r$感染的邻居，则该顶点被感染。在本文中，我们专注于一个随机图模型命名为随机分层块模型，这是一个特殊的情况下，研究了随机块模型。当图不是异常稀疏时，特别是当每个边出现的概率为$ω(n^{-(1+1/r)})$时，在一定的温和假设下，我们证明了最优的播种策略是把所有的种子在一个单一的社区。这符合直觉，即在非次模块级联模型中，将种子彼此靠近会产生协同作用。然而，它与子模块级联模型的直觉形成鲜明对比（例如，独立级联模型和线性阈值模型），其中邻近的种子倾向于侵蚀彼此的效果。我们的关键技术是一个新的时间-级联耦合的四个过程。最后，我们表明，这种观察产生一个多项式时间的动态规划算法，输出最佳种子，如果每个边缘出现的概率在$ω(n^{-(1+1/r)})$或在$o(n^{-2})$。
2020-03-23 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
Causal Inference for Influence Propagation -- Identifiability of the Independent Cascade Model
独立级联（IC）模型是社交网络中广泛使用的影响力传播模型。本文结合因果推理的概念和技术，研究了具有不可观测混杂因素的扩展IC模型中观测数据参数的可辨识性问题。给出了几种特殊结构的参数可辨识或不可辨识的条件，包括马尔可夫IC模型、半马尔可夫IC模型和具有全局不可观测变量的IC模型.参数可辨识性对于其他任务也很重要，例如在具有不可观测混杂因素的扩散网络下的影响力最大化。
2021-09-17 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
Online Influence Maximization under Independent Cascade Model with Semi-Bandit Feedback
Adobe Research（Adobe研究院）；INRIA Lille - Nord Europe（法国里尔-北欧信息与自动化研究所）；University of British Columbia（不列颠哥伦比亚大学）
研究了独立级联模型下社交网络中的在线影响力最大化问题。具体来说，我们的目标是学习的“最佳影响者”在社交网络在线，同时反复与它互动。我们解决的挑战（i）组合动作空间，因为可行的影响者集的数量呈指数增长的影响者的最大数量，和（ii）有限的反馈，因为只有网络的影响部分被观察到。在随机半强盗反馈下，我们提出并分析了IMLinUCB，一种计算效率高的基于UCB的算法。我们的边界上的累积遗憾是多项式在所有数量的利益，实现接近最优的依赖于相互作用的数量，并反映了网络的拓扑结构和激活概率的边缘，从而提供了洞察问题的复杂性。据我们所知，这是第一个这样的结果。我们的实验表明，在几个有代表性的图形拓扑结构，IMLinUCB规模的遗憾，建议我们的上限。IMLinUCB允许线性推广，因此在统计和计算上都适用于大规模问题。我们的实验还表明，在现实世界的在线影响力最大化中，具有线性泛化的IMLinUCB可以导致低遗憾。
2018-06-19 cs.AI cs.LG cs.SI
From Competition to Complementarity: Comparative Influence Diffusion and Maximization
影响力最大化是一个研究得很好的问题，它要求从社交网络中获得一小部分有影响力的用户，这样通过将他们作为早期采用者，通过网络上的影响力级联来最大化预期的总采用率。然而，几乎所有先前的工作都集中在单个传播实体或纯竞争实体的级联上。在这项工作中，我们提出了比较独立级联（Com-IC）模型，涵盖了从竞争到互补的实体相互作用的全方位。在Com-IC中，用户的采用决策不仅取决于边缘级信息传播，而且还取决于节点级自动机，其行为由一组模型参数控制，使我们的模型不仅能够捕获竞争，而且能够在任何可能的程度上实现互补。我们研究了两个自然优化问题，自影响力最大化和互补影响力最大化，在一个新的设置与互补的实体。这两个问题都是NP难的，我们设计了高效和有效的近似算法通过非平凡技术的基础上，反向可达集和一种新的“三明治近似”。这两种技术的适用性超出了我们的模型和问题。我们的实验表明，所提出的算法始终优于直观的基线在四个现实世界的社交网络，往往是一个显着的保证金。此外，我们从真实的用户操作日志中学习模型参数。
2015-11-05 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
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
Combining Traditional Marketing and Viral Marketing with Amphibious Influence Maximization
在本文中，我们提出了两栖影响力最大化（AIM）模型，结合传统的营销通过内容提供方和病毒式营销的消费者在社交网络在一个单一的框架。在AIM中，一组内容提供方和消费者形成了一个二分网络，而消费者也形成了他们的社会网络，影响力从内容提供方传播到消费者，并在社会网络中的消费者之间传播，遵循独立的级联模型。广告商需要选择种子内容提供方的子集和种子消费者的子集，使得来自种子提供方的影响力通过种子消费者可以到达社交网络中预期的大量消费者。我们证明了AIM问题是NP-困难的，通过减少从Feige的k-证明证明系统3-SAT 5的任何常数因子内近似。我们也给出了证据，即使当社会网络图是平凡的（即没有边），多项式时间常数因子近似AIM是不可能的。然而，当我们假设描述内容提供方对消费者的影响的加权双邻接矩阵是恒定的秩时，这是推荐系统中经常使用的一个常见假设，我们提供了一个多项式时间算法，该算法实现了$(1-1/e-ε)^3$对于任何（多项式小）$ε> 0$的近似比。我们的算法结果仍然适用于一个更一般的模型，其中社会网络中的级联遵循一般的单调和次模函数。
2015-07-13 cs.SI
Cascade Submodular Maximization: Question Selection and Sequencing in Online Personality Quiz
Naveen Jindal School of Management, University of Texas at Dallas（德克萨斯大学达拉斯分校纳文·金达尔管理学院）；Department of Computer Science, University of Texas at Dallas（德克萨斯大学达拉斯分校计算机科学系）
个性测验是一个强大的工具，通过主动向客户提出问题来进行客户细分，营销人员正在使用它作为产生潜在客户和增加电子商务销售的有效方法。本文研究了如何对一组测试题进行选择和排序，从而优化客户细分质量的问题。我们假设客户将按顺序浏览问题列表。在阅读一个问题后，客户会做出两个可能相关的随机决定：1）她首先决定是否回答这个问题，然后2）决定是否继续阅读下一个问题。我们进一步假设已经回答的问题的效用可以被单调和子模函数捕获。在一般情况下，我们的问题属于非自适应主动学习为基础的客户分析的类别。请注意，在我们的模型下，问题被回答的概率取决于该问题的位置，以及放置在该问题之前的其他问题的集合，这使得我们的问题与现有的子模块优化研究根本不同。我们开发了一系列的问题选择和排序策略与可证明的性能界。虽然我们在本文中侧重于问答设计的应用，我们的结果适用于广泛的应用，包括搭配优化与位置偏差效应。
2020-12-26 cs.LG cs.SI
Network Inference and Influence Maximization from Samples
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Microsoft Research Asia（微软亚洲研究院）
影响力最大化是在社交网络中选择少量种子节点以最大化从这些种子传播的影响力的任务。在过去的二十年里，它得到了广泛的研究。在规范设置中，社会网络及其扩散参数作为输入。在本文中，我们考虑了更现实的采样设置，其中网络是未知的，我们只有一组被动观察的级联，记录在每个扩散步骤的激活节点集。我们研究了这些级联样本（IMS）的影响力最大化的任务，并提出了常数近似算法，它在种子集分布的温和条件下。为了实现优化目标，我们还提供了一种新的解决方案的网络推理问题，即学习扩散参数和网络结构的级联数据。与以往的解决方案相比，我们的网络推理算法需要更弱的假设，不依赖于最大似然估计和凸规划。我们的IMS算法通过允许恒定的近似比来增强学习然后优化的方法，即使当扩散参数很难学习时，我们也不需要任何与网络结构或扩散参数相关的假设。
2022-02-18 cs.DS cs.LG cs.SI
Adaptive Greedy versus Non-adaptive Greedy for Influence Maximization
我们考虑 * 自适应影响力最大化问题 *：给定网络和预算$k$，迭代地选择网络中的$k$种子，以最大化采用者的预期数量。在“完全采纳反馈模型”中，在选择了每个种子之后，种子采摘者观察所有最终的采纳。在近视反馈模型中，种子选择者只观察所选种子的每个邻居是否采用。基于贪婪算法/算法学在影响力最大化方面取得的巨大成功，我们提出了 * 贪婪自适应间隙 * 的概念，将自适应贪心算法的性能与非自适应算法进行了比较。我们的第一个结果表明，子模块化的影响力最大化化，自适应贪婪算法可以执行$(1-1/e)$ -分数比非自适应贪心算法，这个比例是紧。更具体地说，一方面，我们提供的例子中，自适应贪婪算法的性能只是一个$(1-1/e)$分数的非自适应贪心算法的性能在四个设置：两个反馈模型和 * 独立级联模型 * 和 * 线性阈值模型 *。另一方面，我们证明了在任何子模块级联，自适应贪心算法总是输出一个$(1-1/e)$ -近似的预期数量的采用在最佳的非自适应种子选择。我们的第二个结果表明，对于具有全采纳反馈的一般子模扩散模型，自适应贪心算法可以以一个无界因子优于非自适应贪心算法。最后，我们提出了一个无风险的自适应贪心算法的变种，总是表现不差于非自适应贪心算法。
2022-06-14 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
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
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
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
Better Bounds on the Adaptivity Gap of Influence Maximization under Full-adoption Feedback
Gran Sasso Science Institute（格兰萨索科学研究所）
在影响力最大化（IM）问题中，我们给定一个社交网络和一个预算$k$，我们在网络中寻找一组称为种子的$k$节点，根据影响力扩散的随机模型，这些节点最大化由种子产生的影响力级联所到达的预期节点数量。在本文中，我们研究的自适应IM，其中的节点被依次选择一个接一个，并决定$i$第th种子可以基于所观察到的级联所产生的第一个$i-1$种子。我们专注于全面采用反馈，我们可以观察到整个级联的每个先前选择的种子和独立的级联模型，其中每个边缘与一个独立的概率扩散的影响。我们的主要结果是第一次线性上界，持有任何图。具体来说，我们表明，自适应差距是上限由$\lceil n^{1/3}\rceil $，其中$n$是在图中的节点数。此外，我们改进了已知的上界为in-arborescences从$\frac{2e}{e-1}\approx 3.16$到$\frac{2e^2}{e^2-1}\approx 2.31$。最后，我们研究了$α$ -有界图，这是一类无向图，其中大于2的节点度之和至多为$α$，并证明了适应性间隙的上界为$\sqrtα+O(1)$。此外，我们证明了在0-有界图，即无向图，其中每个连通组件是一个路径或一个循环，适应性差距是最多$\frac{3e^3}{e^3-1}\approx 3.16$。为了证明我们的界限，我们引入了新的技术，将自适应政策与非自适应政策联系起来，这可能是他们自己的兴趣所…
2020-06-27 cs.LG cs.SI
Influence Maximization for Fixed Heterogeneous Thresholds
影响力最大化是一个选择网络中影响者最优集合的NP难题。在这里，我们提出了两种新的方法，影响力最大化的基础上两个非常不同的指标。第一个度量，称为平衡指数（BI），计算速度快，并将最高值分配给两种类型的节点：那些对采用具有高阻力的节点和那些具有大出度的节点。这是通过线性组合节点的三个属性来完成的：它的度，对新观点的敏感性，以及它的激活对其邻居的影响。控制这三项之间的权重对性能有很大的影响。第二个指标，称为组性能指数（GPI），衡量性能的每个节点作为一个启动器时，它是随机选择的启动器集的一部分。在每个这样的选择中，分配给每个队友的分数与引起期望扩散的发起者的数量成反比。这两个指标适用于各种级联模型;这里我们在具有固定和已知阈值的线性阈值模型上测试它们。此外，我们还研究了网络度的重复性和阈值分布对包括我们在内的度量的级联大小的影响。结果表明，我们的两个指标提供强大的性能影响力最大化。
2018-03-08 cs.SI physics.comp-ph physics.soc-ph
Popularity Ratio Maximization: Surpassing Competitors through Influence Propagation
提出融合 PA 与 IC 的 PA-IC 模型及 PRM 问题，借助单调子模代理目标设计两种算法，PRM-IMM 可稳定实现最佳流行度提升。
2024-09-17 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
Improved Approximation Factor for Adaptive Influence Maximization via Simple Greedy Strategies
在自适应影响力最大化问题中，我们给出了一个社交网络和一个预算$k$，我们迭代地选择$k$节点，称为种子，以最大化它们根据影响力扩散的随机模型生成的影响力级联所达到的预期节点数量。从非自适应影响力最大化问题（其中必须预先选择所有种子）继承地，这里逐个顺序地选择节点，并且关于第$i$个种子的决定基于由第一$i-1$种子产生的观察到的级联。我们专注于近视反馈模型，在该模型中，我们只能观察到以前选择的种子的邻居受到影响，并在独立的级联模型，其中每个边缘与扩散影响的独立概率相关联。以前的工作表明，自适应差距是最$4$，这意味着非自适应贪心算法保证了自适应问题的近似因子$\frac{1}{4}\left(1-\frac{1}{e}\right)$。在本文中，我们改进的自适应间隙和逼近因子的界限。我们直接分析了非自适应贪心算法的逼近因子，不经过自适应间隙，并证明它至少是$\frac{1}{2}\left(1-\frac{1}{e}\right)$。因此，自适应间隙最多为$\frac{2e}{e-1}\approx 3.164$。为了证明这些界限，我们引入了一种新的方法，贪婪的非自适应算法的自适应最优。新方法不依赖于多线性扩展或随机游走的最优决策树，这是常用的技术领域。我们相信，它是独立的利益，并可用于分析其他自适应优化问题。
2021-05-02 cs.DS 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
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
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
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
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 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
Maximizing Influence in Social Networks: A Two-Stage Stochastic Programming Approach That Exploits Submodularity
我们考虑社交网络中的随机影响力最大化问题。与现有的研究，涉及贪婪近似算法的63%的性能保证，我们的工作重点是最佳地解决问题。为此，我们引入了一类新的问题，我们称之为两阶段随机子模块优化模型。我们提出了一个延迟约束生成算法，以找到这类问题的最优解有限数量的样本。感兴趣的影响力最大化问题是这个一般问题类的特殊情况。我们表明，可以利用影响函数的子模块性来开发比文献中的标准最优性切割更有效的强最优性切割。最后，我们报告了我们的计算实验与大规模的真实世界的数据集的两个基本的影响力最大化问题，独立级联和线性阈值，并表明我们提出的算法优于贪心算法。
2016-08-18 cs.SI
A Spreader Ranking Algorithm for Extremely Low-budget Influence Maximization in Social Networks using Community Bridge Nodes
Delhi Technological University（德里理工大学）；University of Technology Sydney（悉尼科技大学）
近年来，社交网络平台在大众中获得了显著的普及，如与人联系，传播思想和观点。这为这些平台上的用户特定广告和推荐打开了大门，并带来了对社交网络上影响力最大化（IM）的极大关注，因为它在目标广告，病毒式营销和个性化推荐中具有广泛的适用性。IM的目的是识别网络中的某些节点，这些节点可以帮助通过扩散级联最大化某些信息的传播。虽然已经提出了几个工程IM，大多数是低效的，充分利用社区结构。在这项工作中，我们提出了一个社区结构为基础的方法，它采用了K-Shell算法，以产生一个分数的种子节点和社区之间的连接低预算的情况下。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。我们选择了独立级联（IC）模型来模拟信息传播，并在四个评价指标上对其进行评价。我们在八个公开可用的网络上验证了我们提出的方法，并发现它在这些指标上的表现明显优于基线方法，同时仍然相对有效。
2022-11-17 cs.AI cs.SI
Cascade Size Distributions: Why They Matter and How to Compute Them Efficiently
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；Harvard Medical School（哈佛医学院）
级联模型是理解、预测和控制流行病传播和信息传播的核心。相关的优化，包括影响力最大化、模型参数推断或疫苗接种策略的开发，在很大程度上依赖于从模型中采样。这要么是低效的，要么是不准确的。作为替代方案，我们提出了一个有效的消息传递算法，计算加权有向网络和推广的独立级联模型的级联大小的概率分布。我们的方法是精确的树，但可以应用于任何网络拓扑结构。它很好地近似了局部树状网络，可以扩展到大型网络，并且可以在更密集的网络上获得令人惊讶的良好性能，因为我们也可以在真实世界的数据上进行扩展。
2020-12-16 cs.AI cs.SI physics.soc-ph
Influence Maximization with Fairness at Scale (Extended Version)
针对大规模网络中的公平影响最大化问题，提出基于传播级联节点表示的 FPS 与 FAC 算法，在传播效果、公平性和可扩展性上优于现有方法。
2023-06-06 cs.IR cs.SI
RA-ICM: A Novel Independent Cascade Model Incorporating User Relationships and Attitudes
针对现有信息传播模型忽略非相邻用户关系与用户态度的问题，提出融合两类因素的RA-ICM模型，经6个真实微博数据集验证，其预测精度更高、时间复杂度更低，更贴合真实传播规律。
2024-03-11 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
Unifying information propagation models on networks and influence maximization
网络上的信息传播是社会科学、行为科学和经济科学的中心主题，具有重要的理论和实践意义，例如病毒式营销的影响力最大化问题。在这里，我们考虑一个模型，统一了经典的独立级联模型和线性阈值模型，并通过考虑连续变量和允许反馈的动态概括它们。然后，我们制定其影响力最大化作为一个混合整数非线性规划问题，并采用导数自由的方法。此外，我们证明了该问题可以在线性动力学的特殊情况下，其中的选择标准是密切相关的Katz中心性，并提出了一个定制的直接搜索方法与局部收敛。然后，我们证明了接近最佳性能的定制的直接搜索数值合成和真实的网络。
2022-09-22 cs.SI math.DS math.OC
Measuring and Maximizing Influence via Random Walk in Social Activity Networks
随着OSN的普及，找到一组最有影响力的用户（或节点），以触发最大的影响力级联具有重要意义。例如，公司可以利用“口碑”效应，通过向那些最有影响力的用户提供免费样品/折扣来引发大量购买。这一任务通常被建模为一个影响力最大化问题，在过去的十年里，它已经得到了广泛的研究。然而，考虑到OSN中的用户可以参与各种在线活动，例如，对产品进行评级，加入讨论组等，通过在线活动传播影响力变得更加重要。在本文中，我们研究的影响，在线活动制定的影响力最大化问题的社会活动网络（SAN）包含用户和在线活动。为了解决计算的挑战，我们定义了一个影响力中心通过随机游走来衡量影响力，然后使用蒙特卡罗框架来有效地估计在SAN的中心。此外，我们开发了一个基于贪婪的算法，两个新的优化技术，以找到最有影响力的用户。通过对真实世界的数据集进行广泛的实验，我们表明，当我们需要处理大量的在线活动时，我们的方法比最先进的算法IMM[17]更有效。
2017-01-09 cs.SI
Fractional Budget Allocation for Influence Maximization under General Marketing Strategies
University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对折扣可部分分配且激活概率随折扣仿射变化的影响力最大化问题，本文提出一种 (1-1/e)-近似算法，并在真实社交网络上验证其性能与可扩展性。
2024-07-08 cs.AI cs.DS cs.SI
Influence maximization in multilayer networks based on adaptive coupling degree
针对多层网络中的影响力最大化问题，提出独立级联模型MIC和自适应耦合度算法ACD，选择高传播影响力且低重叠度的种子节点，在合成和真实多层网络上优于基线。
2023-11-15 cs.SI physics.soc-ph
Limitations of Greed: Influence Maximization in Undirected Networks Re-visited
在线性阈值模型下，我们考虑了无向图上的影响力最大化问题（在网络中选择$k$种子以最大化期望的总影响）。一方面，我们证明了贪婪算法总是实现了$(1 - (1 - 1/k)^k + Ω(1/k^3))$ -近似，表明贪婪算法在无向图上的表现略好于通用的$(1- (1 - 1/k)^k)$界，这也适用于有向图。另一方面，我们表明，这个界的实质性改善是不可能的，提出了一个例子，贪婪算法可以获得最多的$(1- (1 - 1/k)^k + O(1/k^{0.2}))$近似。这一结果与以前的独立级联模型的工作相反。与线性阈值模型类似，贪婪算法在独立级联模型中获得了有向图上的$(1-(1-1/k)^k)$ -近似。然而，Khanna和Lucier表明，在无向图中，贪婪算法的性能要好得多：对于常数$c > 0$的$(1-(1-1/k)^k + c)$近似。我们的研究结果表明，令人惊讶的是，没有这样的改善发生在线性阈值模型。最后，我们证明了，在线性阈值模型下，逼近比$(1 - (1 - 1/k)^k)$是紧的，如果1）图是有向的或2）顶点是加权的。换句话说，在这两个设置中的任一个下，贪婪算法不能实现对任何正函数$f(k)$的$(1 - (1 - 1/k)^k + f(k))$近似。设置2）中的结果再次与Khanna和Lucier的独立级联模型的$(1 - (1 - 1/k)^k + c)$近似结果形成…
2020-02-26 cs.CC cs.DS 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
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
Uncovering Non-Normality in Information Flow: Network Structure and Dynamics of Social Media Cascades
Institute of Science Tokyo（东京科学大学）；Hirosaki University（弘前大学）；University of Aizu（会津大学）；The University of Tokyo（东京大学）
本研究通过谱非正态性量化X平台约58,000个级联网络，发现非正态性与峰值集中度强相关，且中期结构预测准确率可超80%，为信息扩散预测提供了新基准。
2026-10-28 cs.SI
Budget-Independent Influence Maximization in Nearly Linear Time
Fuzhou University（福州大学）
针对影响力最大化问题，提出一种预算无关的算法，通过保留种子位置和样本计数估计，在近乎线性时间内达到 $(1-1/e-\varepsilon)$ 近似，消除了对种子预算 $k$ 的乘法依赖。
2026-10-01 cs.DS cs.SI
Community-Based Efficient Algorithms for User-Driven Competitive Influence Maximization in Social Networks
本文针对社交网络中的用户驱动竞争影响最大化（UDCIM）问题，在现有线性阈值模型变体基础上，扩展了LP-formation算法，并使用Gurobi Solver在小数据集上测试，同时提出启发式和遗传算法在中大型数据集上验证。
2025-06-29 cs.SI
Cumulative Activation in Social Networks
大多数关于影响力最大化的研究都集中在一次传播上，即影响力从种子用户按照概率扩散模型传播一次，用户的激活通过单级联确定。实际上，在用户做出最终购买决定之前，用户需要通过接收传播给她的足够多的信息来累积影响。在本文中，我们模拟这样的累积激活如下的过程：首先，多条信息在社会网络中独立传播的经典独立级联模型，然后用户将被激活（并采用产品），如果她收到的累积信息达到她的累积激活阈值。在此框架下研究了两个优化问题：具有累积激活的种子最小化问题（SM-CA），即如何选择一个具有最小尺寸的种子集，使得累积激活节点数达到给定的要求$η$ ;具有累积激活的影响力最大化问题（IM-CA），即如何选择一个具有固定预算的种子集，使得累积激活节点数最大化.对于SM-CA问题，我们设计了一个贪心算法，当$η=n$，其中$n$是网络中的节点数时，产生一个双准则$O(\ln n)$ -近似。对于带$η<n$的SM-CA问题和IM-CA问题，我们证明了强不可逼近性结果。尽管困难的结果，我们提出了两个有效的启发式算法SM-CA和IM-CA分别基于反向可达集的方法。在不同的现实世界的社交网络上的实验结果表明，我们的算法显着优于基线算法。
2017-02-20 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 Thorough Comparison Between Independent Cascade and Susceptible-Infected-Recovered Models
本文通过耦合论证比较 IC 与 SIR 模型，证明等价参数下 IC 的期望感染范围弱大于 SIR，并为 SIR 改造基于反向可达集的影响最大化近似算法。
2025-03-16 cs.SI physics.soc-ph
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
Heuristics for Influence Maximization with Tiered Influence and Activation thresholds
本文研究以LTM为扩散模型的MINFS问题，提出基于未激活节点平均度、最近优先和骨干最重路径的启发式种子集构建方法。
2024-06-13 cs.SI
A Multi-phase Approach for Improving Information Diffusion in Social Networks
为了最大化社会网络中的影响力传播，给定一定的预算的种子节点的数量，我们研究了在多个阶段中选择和激活种子节点的影响。特别是，我们制定了一个适当的目标函数，两个阶段的独立级联模型下的影响力最大化，研究其性质，并提出算法，确定种子节点在两个阶段。我们还研究了确定最佳的时间分裂和两个阶段之间的延迟的问题。
2015-02-21 cs.SI
Learning Parameters for Balanced Index Influence Maximization
Rensselaer Polytechnic Institute（伦斯勒理工学院）
影响力最大化是找到最小的节点集合的任务，这些节点在社交网络中的激活可以触发到达目标网络覆盖范围的激活级联，其中阈值规则确定影响的结果。这个问题是NP难的，它产生了大量的最近的研究，寻找有效的算法。我们专注于{ \it平衡指数}算法，依赖于三个参数来调整其性能，以给定的网络结构。我们建议使用有监督的机器学习方法进行这种调整。我们选择最有影响力的图形特征进行参数调整。然后，使用基于随机游走的图采样，我们从给定的合成和大规模的真实世界网络中创建小快照。使用穷举搜索，我们发现这些快照的BI参数的高精度值作为地面真理。然后，我们在快照上训练我们的机器学习模型，并将此模型应用于真实世界网络，以找到最佳BI参数。我们将这些参数应用于采样的真实世界网络，以测量以这种方式找到的发起者集合的质量。我们使用各种现实世界的网络来验证我们的方法对其他启发式。
2020-12-15 cs.AI cs.SI
