效用驱动影响扩散模型下社交网络中的社会福利最大化

受病毒式营销等应用推动,影响最大化(IM)问题已在文献中被广泛研究。其目标是选择少量用户采纳某物品,从而引致他人大量采纳的级联。现有工作有三个关键局限:(1) 未考虑用户购买/采纳物品时的经济考量;(2) 多数多物品研究聚焦于竞争,互补物品所受关注有限;(3) 对网络所有者而言,最大化社会福利对确保客户忠诚度至关重要,而既往 IM 文献未解决此问题。本文针对全部三个局限,提出一种称为 UIC 的新模型,将效用驱动的物品采纳与网络上的影响传播相结合。聚焦于相互互补的情形,我们在此新设定下形式化社会福利最大化问题。我们证明,尽管目标函数既非子模也非超模,令人惊讶的是,一个简单贪心分配算法可达到最优期望社会福利的 $(1-1/e-\epsilon)$ 因子。我们开发了该近似算法的可扩展版本 \textsf{bundleGRD},并通过在真实与合成数据集上的综合实验证明,它显著优于所有基线方法。