基于线性情境多臂老虎机学习同伴影响概率
机器学习
2025-10-23 v1 社会与信息网络
摘要
在网络环境中，用户经常分享关于内容、产品、服务及行动方案的建议。然而，这些建议的成功程度和采纳程度高度依赖于情境，取决于发送者、接收者的特征、他们之间的关系、推荐项目以及媒介，这使得同伴影响概率具有高度异质性。准确估计这些概率对于理解信息扩散过程以及提高病毒式营销策略的有效性至关重要。然而，仅凭从数据中学习这些概率具有挑战性；静态数据可能捕捉到同伴推荐与同伴行动之间的相关性，但无法揭示影响关系。在线学习算法可以从干预中学习这些概率，但要么通过随机探索浪费资源，要么优化奖励，从而偏好探索具有更高影响概率的空间。在本文中，我们在情境线性多臂老虎机框架下研究学习同伴影响概率。我们表明，在懊悼最小化与估计误差之间会出现根本性权衡，描述了所有可实现的速率对，提出一种不确定性引导的探索算法，通过调节参数可达到该权衡中的任何一对。我们在半合成网络数据集上的实验表明，我们的方法优于静态方法和忽略该权衡的情境多臂老虎机。
引用
@article{arxiv.2510.19119,
title = {Learning Peer Influence Probabilities with Linear Contextual Bandits},
author = {Ahmed Sayeed Faruk and Mohammad Shahverdikondori and Elena Zheleva},
journal= {arXiv preprint arXiv:2510.19119},
year = {2025}
}