在线竞争性影响力最大化
机器学习
2022-03-03 v4 社会与信息网络
机器学习
摘要
在线影响力最大化作为一种在未知网络参数值学习过程中最大化社交网络影响力传播的方法,已引起广泛关注。以往工作大多聚焦于单物品扩散。本文引入一种新的在线竞争性影响力最大化(OCIM)问题,其中两种竞争物品(如产品、新闻)在同一网络中传播,且边上的影响概率未知。我们为 OCIM 采用组合多臂老虎机(CMAB)框架,但与无竞争设定不同,由于传播的竞争性,重要的单调性性质(当边上影响概率增大时影响力传播也增大)不再成立,这给问题带来了显著的新挑战。我们给出了一个非平凡的证明,表明 CMAB 的触发概率调制(TPM)条件在 OCIM 中仍然成立,这对我们提出的算法 OCIM-TS 和 OCIM-OFU 分别取得次线性贝叶斯遗憾和频率派遗憾起到了关键作用。我们还设计了 OCIM-ETC 算法,其所需反馈更少且离线计算更简单,代价是更差的频率派遗憾界。实验评估证明了我们算法的有效性。
引用
@article{arxiv.2006.13411,
title = {Online Competitive Influence Maximization},
author = {Jinhang Zuo and Xutong Liu and Carlee Joe-Wong and John C. S. Lui and Wei Chen},
journal= {arXiv preprint arXiv:2006.13411},
year = {2022}
}