通过深度强化学习在时变图中进行高效信息扩散

用于时变图（TVG）上高效信息扩散的网络播种是一项具有众多现实应用的挑战性任务。对此时空影响最大化问题有若干建模方式，但终极目标是确定节点启动扩散过程的最佳时刻。在此背景下，我们提出时空影响最大化（STIM），一种用强化学习与图嵌入在人工 TVG 集合上训练的模型，能够学习每个节点的时间行为与连接模式，从而预测通过 TVG 启动扩散的最佳时刻。我们还开发了一组用于训练的特殊人工 TVG，其模拟 TVG 中的随机扩散过程，表明 STIM 网络即便在非确定性环境下也能学习高效策略。STIM 还在真实世界 TVG 上评估，其同样能高效通过节点传播信息。最后，我们还展示 STIM 模型具有 $O(|E|)$ 的时间复杂度。因此，STIM 提出了一种用于 TVG 中高效信息扩散的新方法，具有高度通用性，可通过简单改变所采用的奖励函数来变更模型目标。