社交网络中的自适应多特征预算利润最大化

在线社交网络已成为病毒式营销最重要的平台之一。现有关于网络上新产品采纳扩散的研究大多涉及单次扩散，即仅有一条关于产品的信息在网络上传播。然而事实上，一个产品可能具有多个特征，且关于不同特征的信息可能在社交网络中独立传播。当用户愿意购买该产品时，他会综合考虑产品的所有特征而非仅考虑某一个。基于此，我们提出一个新问题——多特征预算利润最大化（MBPM）问题，其首次考虑了单一产品多特征传播下的预算利润最大化。给定一个社交网络，其中每个节点具有激活成本和利润，MBPM 问题寻求一个期望成本不超过预算的种子集合，使总期望利润尽可能大。我们在自适应设定下考虑 MBPM 问题，其中种子被迭代选取，且下一个种子依据当前扩散结果选出。我们在预言机模型和噪声模型两种模型下研究自适应 MBPM 问题。预言机模型假设任意节点的条件期望边际利润可在 O(1) 时间内获得，并提出了一种 (1-1/e) 期望近似策略。在噪声模型下，我们通过改进 EPIC 算法估计节点的条件期望边际利润，并提出一种高效策略，其可返回 (1-exp({\epsilon}-1)) 期望近似比。我们在六个真实数据集上进行了若干实验，将所提策略与相应的非自适应算法及一些启发式自适应策略进行比较。实验结果表明了我们策略的效率与优越性。