社交网络上广告活动协调的近似算法

我们基于 Datta 等人及 Aslay 等人的模型，研究了一种社交网络上协调式社交广告活动的自然模型。多个广告主愿意为每个用户的曝光向平台付费——最高至已知预算——无论该曝光是赞助的还是自然的（即由朋友分享）。活动以向部分用户投放赞助广告作为种子，但任何用户不得暴露于过多赞助广告。因此，尽管广告活动在网络上独立进行，仍需针对其种子集合进行谨慎协调。我们研究最大化平台总广告收益这一目标。我们的主要结果是证明在广泛一类影响模型下，该问题可归约为在两类拟阵约束下最大化一个子模函数；因此可在多项式时间内以基本为 1/2 的因子近似。当广告主各自的种子集合大小无界时，约束仅对应单一拟阵，保证因子可提升至 1-1/e；该情形下，因子 1/2 可由实用的贪心算法达到。针对拟阵约束问题的 1-1/e 近似算法远不实用；然而我们证明，具体而言在独立级联（Independent Cascade）模型下，可将 LP 舍入与反向可达性技术结合以获得 1-1/e 近似算法。我们的理论结果辅以实验，评估了多广告活动协调在多大程度上抑制了各单独活动所获收益，作为影响网络相似度与网络纽带强度的函数。我们的实验表明，随着不同广告主的网络变得越不相似，竞争的有害效应减弱。关于纽带强度，我们展示危害在中间范围内最大。