面向在线影响力最大化的因子分解老虎机

我们研究社交网络中的在线影响力最大化问题。在该问题中，学习者旨在通过与环境交互来识别网络中的“最佳影响者”集合，即重复选择种子节点并观察网络中的激活反馈。我们利用影响力最大化问题的一个重要性质——网络同配性，该性质被多数现有在线影响力最大化工作所忽略。为实现网络同配性，我们将边上的激活概率分解为对应节点上的潜因子，包括给出节点的影晌因子与接收节点的易感性因子。我们提出了一种基于上置信界（UCB）的在线学习方案来估计潜因子，进而估计激活概率。我们基于因子分解的在线影响力最大化算法实现了显著的遗憾缩减。在两个真实网络上的广泛实证评估显示了我们所提方案的有效性。