动态非平稳社交网络中的在线影响力最大化

社交网络已成为信息传播的流行平台。一个重要用例是病毒式营销：给定促销预算，广告主可以选择一些有影响力的用户作为种子集合，并向他们提供免费或折扣的样品；通过这种方式，广告主希望借助口碑效应增加产品在这些用户朋友圈中的受欢迎程度，从而最大化产品信息能够覆盖的用户数量。已有大量文献研究影响力最大化问题。然而，现有研究大多一次性地考察该问题，假设用户间固定的已知影响概率，或确切的社交网络拓扑知识。实际上，社交网络拓扑和影响概率通常对广告主未知，且可能随时间变化，例如新建立、增强或减弱的社会关系。本文关注动态非平稳社交网络，并设计了一种基于多臂老虎机优化的随机化算法 RSB，以随时间最大化影响传播。该算法产生一系列在线决策，并利用先前决策的结果来调整其探索-利用策略。严格证明该算法可实现奖励遗憾的上界，并适用于大规模社交网络。使用合成和真实世界数据集评估了该算法的实际有效性，表明我们的算法在非平稳条件下优于先前的平稳方法。