面向影响最大化的模型无关在线学习
机器学习
2018-05-25 v2
摘要
我们考虑社交网络中的影响最大化(IM)问题，即通过选择一组“种子”用户来暴露产品，以最大化知晓该产品的用户数量。先前工作假设已知信息扩散模型，我们提出了一种新颖的参数化方法，不仅使我们的框架对底层扩散模型不可知，而且在统计上能高效地从数据中学习。我们给出了一个相应的单调、子模代理函数，并表明它是原始IM目标的一个良好近似。我们还考虑了一个新的营销者希望利用现有社交网络，同时学习支配信息传播因素的情况。为此，我们提出了一种成对影响半强盗反馈模型，并开发了基于LinUCB的强盗算法。我们的模型无关分析表明，我们的遗憾界对网络大小的依赖关系优于先前工作。实验评估表明我们的框架对底层扩散模型具有鲁棒性，并能高效学习近最优解。
引用
@article{arxiv.1703.00557,
title = {Model-Independent Online Learning for Influence Maximization},
author = {Sharan Vaswani and Branislav Kveton and Zheng Wen and Mohammad Ghavamzadeh and Laks Lakshmanan and Mark Schmidt},
journal= {arXiv preprint arXiv:1703.00557},
year = {2018}
}