FastCover：一种用于社交网络多跳影响最大化的无监督学习框架
社会与信息网络
2022-05-19 v2 机器学习
摘要
在社交网络中寻找有影响力的用户是一个具有许多潜在有用应用的基础问题。将社交网络视为图，一组用户的影响力可由网络中给定跳数内邻居的数量来衡量，其中每一跳标志着一次影响扩散步骤。在本文中，我们将影响最大化（IM）问题归约为预算约束的 d-跳支配集问题（kdDSP）。我们提出了一种统一的机器学习（ML）框架 FastCover，通过无监督方式学习高效的贪心策略来求解 kdDSP。作为该框架的关键组成部分，我们设计了一种新颖的图神经网络（GNN）架构——图反向注意力网络（GRAT），以捕捉邻居间的扩散过程。与大多数用于组合优化问题的启发式算法和同期 ML 框架不同，FastCover 仅通过 GNN 的一次前向传播根据节点得分确定整个种子集，且时间复杂度关于图规模为准线性。在合成图和真实世界社交网络上的实验表明，FastCover 找到了与同期算法相当或更优的解，同时实现了超过 1000 倍的加速。
引用
@article{arxiv.2111.00463,
title = {FastCover: An Unsupervised Learning Framework for Multi-Hop Influence Maximization in Social Networks},
author = {Runbo Ni and Xueyan Li and Fangqi Li and Xiaofeng Gao and Guihai Chen},
journal= {arXiv preprint arXiv:2111.00463},
year = {2022}
}