一种用于估计IM-RO影响模型参数的贝叶斯与机器学习方法
机器学习
2018-03-09 v1 机器学习
摘要
在线社交网络(OSNs)的兴起引发了广告主与研究人员对其特征垄断的浓厚兴趣。研究人员旨在开发策略以确定信息如何在OSN用户间传播,这由扩散或影响模型刻画。我们考虑IM-RO问题的影响模型,这是一种基于随机动态规划(SDP)实现的、对影响最大化(IM)问题的新表述。与涉及影响扩散与子模函数理论的现有方法不同,SDP方法侧重于优化OSN中广告主的点击量并最终优化收益。现有的影响最大化方法在过去十年中被积极研究并应用于多个领域,然而我们的方法相较原始IM问题是一种更实用的变体。在本文中,我们通过在合成与真实世界数据集上开展实验,对IM-RO问题的影响模型进行分析。我们提出了一种贝叶斯与机器学习方法,用于估计(影响最大化-收益优化)IM-RO问题影响模型的参数。我们提出了一个贝叶斯层次模型,并在三个真实世界数据集上实现了著名的朴素贝叶斯分类器(NBC)、决策树分类器(DTC)与随机森林分类器(RFC)。与先前估计影响模型参数的方法相比,我们的策略具有可直接在WinBUGS/OpenBUGS/JAGS与Apache Spark等标准软件包中实现的显著优势。我们展示了该方法在OSN背景下为广告主传播信息与产生收益方面的效率与可用性。
引用
@article{arxiv.1803.03191,
title = {A Bayesian and Machine Learning approach to estimating Influence Model parameters for IM-RO},
author = {Trisha Lawrence},
journal= {arXiv preprint arXiv:1803.03191},
year = {2018}
}