不要贪婪：利用社区结构寻找影响力最大化的高质量种子集

我们考虑通过选择固定数量的初始种子来最大化社交网络中影响力传播的问题——这是网络级联研究中的一个核心问题。针对该问题（正式称为影响力最大化问题）的现有工作大多针对子模级联设计。尽管经验证据表明许多级联是非子模的，但针对非子模影响力最大化的研究甚少。我们提出了一种新的启发式算法来解决影响力最大化问题，并通过在真实网络和合成网络上的仿真表明，在许多自然情形下，我们的算法输出的种子集比 state-of-the-art 贪心算法更具影响力，对于子模级联平均提升 7%，对于非子模级联平均提升 55%。我们的启发式算法在社交网络的层次分解上采用动态规划方法，以利用级联传播与社交网络社区结构之间的关系。我们验证了网络结构的重要性，表明层次分解的质量会影响我们算法输出的种子集质量。我们还给出了“最坏情况”下的理论结果，证明在某些设定下，我们算法输出的种子集的影响力是贪心算法的 $\Theta(\sqrt{n})$ 倍，其中 $n$ 为网络中的节点数。最后，我们将算法推广为消息传递版本，可用于寻找影响力至少与动态规划算法相当的种子集。