[论文解读] Evolving Influence Maximization.
本文提出EIM，一种基于多臂赌博机的框架，用于在用户关系和影响概率随时间动态变化的演化社交网络中实现影响力最大化。通过迭代选择种子用户并学习网络动态演化，EIM在时间演化网络中传播意识方面优于静态影响力最大化方法。
Influence Maximization (IM) aims to maximize the number of people that become aware of a product by finding the `best' set of `seed' users to initiate the product advertisement. Unlike prior arts on static social networks containing fixed number of users, we undertake the first study of IM in more realistic evolving networks with temporally growing topology. The task of evolving IM ({\bfseries EIM}), however, is far more challenging over static cases in the sense that seed selection should consider its impact on future users and the probabilities that users influence one another also evolve over time. We address the challenges through $\mathbb{EIM}$, a newly proposed bandit-based framework that alternates between seed nodes selection and knowledge (i.e., nodes' growing speed and evolving influences) learning during network evolution. Remarkably, $\mathbb{EIM}$ involves three novel components to handle the uncertainties brought by evolution:
研究动机与目标
- 解决用户连接和影响概率随时间演变的动态社交网络中的影响力最大化挑战。
- 克服静态IM方法的局限性，后者假设网络结构固定且影响概率不变。
- 开发一种自适应选择种子用户的框架，同时学习动态演化的网络特性。
- 处理由网络拓扑和影响传播随时间变化所引入的不确定性。
- 实现在真实、随时间演化的社交网络中可扩展且高效的影响力传播。
提出的方法
- 提出EIM，一种基于多臂赌博机的框架，在网络演化过程中交替进行种子选择与知识学习。
- 引入一种新颖的探索-利用策略，以平衡选择高影响力种子节点与学习未知的影响动态。
- 将演化的影响概率建模为时间依赖参数，并根据观测到的传播结果进行更新。
- 采用多臂赌博机方法，估计在变化网络条件下节点的影响潜力。
- 将节点增长速度作为可学习参数，以预测未来的影响力传播。
- 在新节点和边出现时动态重新评估种子集合，确保长期影响力最大化。
实验结果
研究问题
- RQ1如何有效将影响力最大化扩展到具有时变拓扑结构的演化社交网络？
- RQ2在影响概率和网络增长持续演化的背景下，哪些机制能够实现自适应的种子选择？
- RQ3在线学习的集成如何相较于静态IM方法提升影响力传播效果？
- RQ4基于赌博机的框架在多大程度上能够处理演化网络动态中的不确定性？
- RQ5学习节点增长速度和影响演化对长期影响力传播有何影响？
主要发现
- EIM在演化网络上的影响力传播方面显著优于静态IM基线方法，展现出更强的适应能力。
- 基于赌博机的学习组件能够在有效探索不确定的影响动态的同时，保持对已知高影响力节点的高效利用。
- 将节点增长速度作为可学习参数，可提高对未来影响力传播的预测准确性。
- 该框架在多种演化网络场景下均表现出稳定性能，显示出对时间变化的鲁棒性。
- EIM通过有效建模时间演化的影响概率，显著缩小了静态与动态IM设置之间的性能差距。
- 实验评估证实，迭代学习与选择过程相比非自适应方法，能带来更高的累积影响力传播。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。