具有异构扩散模型的在线社交网络中的多层影响最大化

受通过重叠用户相互连接的在线社交网络启发，我们研究多层网络（multiplex）上的影响最大化问题，其中每一层都赋予其自身的扩散模型。该问题是影响最大化问题的一个新版本，需要结合多层网络各层上的传播类型进行新的分析。我们识别出一种新性质——广义确定性子模性，当各层上的传播满足该性质时，可确保多层网络上的整体传播是子模的——对此情形，我们提出了 ISF，一种具有近似比 $(1 - 1/e)$ 的贪婪算法。由于包含多个 OSN 的多层网络规模可能涵盖数十亿用户，我们提出了一种在多层网络各层上并行运行的算法 KSN。KSN 以单层网络上影响最大化问题的 $\alpha$-近似算法 A 作为输入，对于任意 $\epsilon > 0$ 具有近似比 $\frac{(1-\epsilon)\alpha}{(o+1)k}$，其中 $o$ 为重叠用户数，$k$ 为多层网络中的层数。在真实与合成多层网络上的实验验证了所提算法在异构多层网络影响最大化问题中的有效性。ISF 与 KSN 的实现可在 http://www.alankuhnle.com/papers/mim/mim.html 获取。