社交网络中激励相容的影响力最大化及其在病毒式营销中的应用

信息扩散和影响力最大化是社交网络中重要且被广泛研究的问题。文献中针对影响力最大化问题提出了各种模型和算法。所有这些研究中的一个关键假设是，影响力概率对社会规划者是已知的。这个假设是不现实的，因为影响力概率通常是单个智能体的私有信息，而策略性智能体可能不会如实透露它们。此外，影响力概率可能随着网络中流动的信息类型以及信息在网络中传播的时间而发生显著变化。在本文中，我们使用机制设计方法从智能体那里真实地获取影响力概率。我们首先研究一个简单模型，即影响者模型，其中我们假设每个用户知道她对邻居的影响力水平，但这是私有信息。在第二个模型，即影响者-被影响者模型中，该模型更现实，我们通过结合影响者和被影响者报告的概率值来确定影响力概率。针对第一个模型，我们介绍了如何使用VCG（Vickrey-Clarke-Groves）机制来真实地获取影响力概率。我们的主要贡献是在影响者-被影响者模型的背景下设计了一个基于评分规则的机制。特别地，我们证明了当评分规则是适当时该机制的激励相容性，并提出了一种基于反向加权评分规则的机制作为合适的机制。我们还简要讨论了这种机制在病毒式营销应用中的实现。