面向类别向量的单调子模多样性函数及其在定向影响最大化种子多样化中的应用

在知识发现任务中引入多样性,对于增强所挖掘模式在新颖性、意外发现和伦理等高影响力方面的意义至关重要。令人惊讶的是,在社交网络影响最大化的经典问题中,关于多样性及其融入影响最大化方法目标函数的研究相对较少。本工作中,我们提出将基于侧信息的种子多样性概念整合到定向影响最大化问题的目标函数中。从侧信息以类别属性值的一般形式在节点层级可用的假设出发,我们设计了一类单调子模函数,专门用于确定与待发现种子相关联的类别轮廓集合内的多样性。这使我们能够开发一种高效可扩展的近似方法,具有常数因子的 optimality 保证。更确切地说,我们在最先进的反向影响采样框架下表述基于属性的多样性敏感定向影响最大化问题,并开发了名为ADITUM的方法,其在一般触发扩散模型下确保(1-1/e-\epsilon)近似解。我们在五个真实网络上对ADITUM进行了实验评估,包括与利用数值属性多样性和拓扑驱动多样性的影响最大化方法进行比较。