论社交网络中时间关键影响最大化的公平性
社会与信息网络
2021-11-04 v4 计算机与社会
摘要
影响最大化已在广泛的实际问题中得到应用，例如在线社交网络中的产品病毒式营销，以及职位空缺广告和健康相关信息等有价值信息的传播。尽管现有算法技术通常旨在最大化受影响总人数，但人群往往包含若干社会显著性群体，例如基于性别或种族。因此，这些技术可能导致不同群体在接收重要信息上的差异。此外，在许多此类应用中，影响的传播是时间关键的，即仅在时间截止前被影响才有益。正如我们在本文中所展示的，信息的时间关键性可能进一步加剧群体间的影响差异。这种由旨在最大化总影响的算法引入的差异可能产生深远影响，影响人们的繁荣并将少数群体置于极大劣势。在这项工作中，我们提出时间关键影响最大化中的群体公平性概念。我们引入替代目标函数，在公平性考量下解决影响最大化问题。通过利用目标的次模结构，我们提供了计算高效的带保证算法，能在传播过程中有效施行公平。我们通过合成与真实世界实验证明了我们方法的有效性。
引用
@article{arxiv.1905.06618,
title = {On the Fairness of Time-Critical Influence Maximization in Social Networks},
author = {Junaid Ali and Mahmoudreza Babaei and Abhijnan Chakraborty and Baharan Mirzasoleiman and Krishna P. Gummadi and Adish Singla},
journal= {arXiv preprint arXiv:1905.06618},
year = {2021}
}
备注
Accepted at TKDE and Human-Centeric Machine learning (HCML), Workshop at NeurIPS 2019