DISCO：当影响力最大化遇见网络嵌入与深度学习
社会与信息网络
2019-06-19 v1 机器学习
摘要
自 2003 年提出以来，影响力最大化（IM）问题在文献中引起了显著的研究关注。IM 的目标是选择一组能够影响社交网络中最多个体的 k 个用户。该问题被证明是 NP-hard。大量近似算法被提出以解决此问题。最先进的算法基于采样的扩散路径来估计节点的期望影响力。由于所需样本数量最近被证明下界为某个特定阈值，该阈值预设了准确性与效率之间的权衡，这些传统解决方案的结果质量难以在不牺牲效率的情况下进一步提升。在本文中，我们提出了一种正交且新颖的范式，通过利用深度学习模型估计期望影响力来解决 IM 问题。具体而言，我们提出了一个称为 DISCO 的新框架，它结合网络嵌入和深度强化学习技术来解决该问题。在真实网络上的实验研究表明，与最先进的经典解决方案相比，DISCO 在效率和影响力传播质量方面均取得了最佳性能。此外，我们还展示了该学习模型具有良好的泛化性。
引用
@article{arxiv.1906.07378,
title = {DISCO: Influence Maximization Meets Network Embedding and Deep Learning},
author = {Hui Li and Mengting Xu and Sourav S Bhowmick and Changsheng Sun and Zhongyuan Jiang and Jiangtao Cui},
journal= {arXiv preprint arXiv:1906.07378},
year = {2019}
}
备注
14 pages, 5 figures