基于共轭学习自动机的动态社交网络影响力最大化

从所有顶点中选取最优子集作为种子以最大化社交网络中的影响力，一直是一项受关注的任务。已有多种方法被提出用于在静态网络中选择最优顶点，然而它们受到动态性——即社交网络结构随时间变化——的挑战。此类动态性阻碍了静态网络的范式，并在静态网络与动态网络上的影响力最大化算法之间留下了看似不可逾越的鸿沟。本文扩展了我们先前的工作，并证明已成功应用于静态网络影响力最大化的共轭学习自动机（强化学习的基本变体）同样可应用于动态网络。网络动态性通过影响范围的变化来度量，并被吸收进学习过程。我们的方案精巧地表述了网络动态性的影响：影响范围变化越大，种子越可能从零开始学习。在此假设下，网络变化的连续性被充分利用。在合成与真实世界网络上的实验结果验证了我们的方案相对于替代方法的优势。