基于图神经网络的动态梯度影响病毒式营销
机器学习
2025-02-21 v2 密码学与安全
社会与信息网络
摘要
通过社交网络中的病毒式营销最大化产品采纳率的问题，已通过假设的网络模型得到广泛研究。我们提出了一种新颖的数据驱动问题表述。我们利用图神经网络（GNNs），结合拓扑和属性信息来建模产品的采纳情况。由此产生的动态病毒式营销（DVM）问题旨在寻找最小预算和最小动态拓扑与属性变化集合，以达到指定的采纳目标。我们证明 DVM 是 NP-Hard 问题，并与现有的影响力最大化问题相关。受此联系启发，我们提出了动态梯度影响（DGI）的思想，该思想利用梯度排序寻找最优扰动，并以离散步骤针对低预算、高影响力的未采纳者。我们使用一种高效策略计算节点预算，并开发了“元影响力”启发式方法以评估节点的下游影响力。我们在真实世界的属性网络上对 DGI 与多个基线进行了评估，结果显示预算平均节省 24%，AUC 平均提升 37%。我们的代码已在 https://github.com/saurabhsharma1993/dynamic_viral_marketing 公开。
引用
@article{arxiv.2403.12399,
title = {Dynamic Gradient Influencing for Viral Marketing Using Graph Neural Networks},
author = {Saurabh Sharma and Ambuj Singh},
journal= {arXiv preprint arXiv:2403.12399},
year = {2025}
}
备注
Accepted at WWW '25