Cheshire：一种用于社交网络中活动最大化的在线算法
机器学习
2017-03-08 v1 数据结构与算法
机器学习
社会与信息网络
摘要
社交网络中的用户参与度关键取决于其用户在网络上采取的在线操作数量。我们能否设计一种算法，找到何时激励用户采取行动，以最大化社交网络中的整体活动？在本文中，我们使用多维 Hawkes 过程对在线操作数量随时间的变化进行建模，推导出这些过程基于带跳随机微分方程（SDE）的另一种表示，并利用这种替代表示，从带跳 SDE 的随机最优控制角度解决上述问题。我们发现，激励行动的最优水平线性依赖于当前的整体行动水平。此外，这种线性关系的系数可以通过求解一个矩阵 Riccati 微分方程（可高效求解）和一个一阶微分方程（具有闭式解）来找到。因此，我们能够设计一种高效的在线算法 Cheshire，来采样用户激励行动的最优时间。在合成数据和从 Twitter 收集的真实数据上的实验表明，我们的算法能够比现有技术更有效地持续最大化在线操作数量。
引用
@article{arxiv.1703.02059,
title = {Cheshire: An Online Algorithm for Activity Maximization in Social Networks},
author = {Ali Zarezade and Abir De and Hamid Rabiee and Manuel Gomez Rodriguez},
journal= {arXiv preprint arXiv:1703.02059},
year = {2017}
}