人口均等代价在影响力最大化中的研究

建模和塑造信息在网络中的传播是网络分析中的一个主要研究课题。虽然最初焦点主要放在效率上，但近来公平性准则在此背景下也被纳入考虑。然而大多数工作聚焦于极大极小准则，因此不同群体仍可能接收到差异很大的信息份额。在本工作中，我们提出将公平性视为一种需由算法保证的准则，而非待最大化的准则。为此，我们提出三个优化问题，旨在最大化整体传播的同时，通过约束（事后或事前）强制执行严格水平的人口均等公平性。因此公平性水平成为用户的选择，而非输出时观察得到的属性。我们从多个角度研究此设定。首先，我们证明引入人口均等的代价在整体传播与计算复杂度上都可能很高，即对所有三个问题公平性的代价可能是无界的，且最优解难以计算，在某些情况下甚至难以近似计算，或当公平性约束可能被违反时亦如此。对于我们的一个问题，我们仍设计了一个兼具常数近似因子与公平性违反的算法。我们还给出两种启发式方法，允许用户选择可容忍的公平性违反。通过广泛的实验研究，我们表明我们的算法在实践中表现良好，即它们实现了最佳的人口均等公平性值。对于某些实例，我们甚至额外获得了与无任何公平性保证的最高效率算法相当的整体传播，表明使用我们的算法时经验上的公平性代价实际上可能很小。