DeepSN：用于影响力最大化的层束神经框架

影响力最大化是数据挖掘的关键课题，在社交网络分析和病毒式营销中有广泛应用。近年来，研究人员越来越多地转向机器学习技术来解决这一问题。他们开发了以数据驱动方式学习底层扩散过程的方法，从而增强了求解的泛化能力，并设计了优化目标以识别最优种子集。然而，两个基本空白仍未解决：(1) 图神经网络（GNN）越来越多地被用于学习扩散模型，但在其传统形式下，它们往往无法捕捉影响力扩散的复杂动力学；(2) 由于求解该问题时的组合爆炸，设计优化目标极具挑战性。为了应对这些挑战，我们提出了一个新框架 DeepSN。我们的框架采用层束神经扩散以数据驱动、端到端的方式学习多样的影响模式，在捕捉扩散特征方面提供了增强的可分性。我们还提出了一种考虑顶点间重叠影响力的优化技术，这有助于缩小搜索空间并有效且高效地识别最优种子集。最后，我们在合成数据集和真实世界数据集上进行了广泛的实验，以证明我们框架的有效性。