通过图神经网络赌博机实现影响力最大化

我们考虑了影响力最大化（IM）研究中一个普遍存在的场景，即对扩散网络的拓扑结构了解有限。我们将IM问题设置在多轮扩散活动中，旨在最大化受影响的不同用户数量。利用赌博机算法有效平衡探索和利用目标的能力，以及神经网络的表达能力，我们的研究探索了神经赌博机算法在IM问题中的应用。我们提出了IM-GNB（基于图神经网络赌博机的影响力最大化）框架，在该框架中，我们提供了用户受影响力者（也称为扩散种子）影响概率的估计。这个初始估计构成了构建利用图和探索图的基础。随后，IM-GNB通过使用图卷积网络（GCN）实时选择种子节点来处理探索-利用权衡，其中使用预先估计的图来在每个上下文设置中细化影响力者的估计奖励。通过在两个大型真实世界数据集上的广泛实验，我们证明了IM-GNB与其他基线方法相比的有效性，在底层网络未知的情况下，显著提高了此类扩散活动的传播结果。