半强盗反馈下独立级联模型中的在线影响力最大化
机器学习
2018-06-20 v3 人工智能
社会与信息网络
最优化与控制
机器学习
摘要
我们研究独立级联模型下社交网络中的在线影响力最大化问题。具体而言，我们旨在通过与社交网络反复交互，在线学习其中的“最佳影响者”集合。我们应对的挑战包括：(i) 组合动作空间，因为可行影响者集合的数量随最大影响者数量呈指数增长；(ii) 有限反馈，因为只能观察到网络中受影响的部分。在随机半强盗反馈下，我们提出并分析了 IMLinUCB，一种计算高效的基于 UCB 的算法。我们对累积遗憾的界在所有感兴趣的量上都是多项式的，在与交互次数的依赖关系上达到近最优，并反映了网络的拓扑结构及其边的激活概率，从而揭示了问题的复杂度。据我们所知，这是首批此类结果。我们的实验表明，在几种代表性的图拓扑中，IMLinUCB 的遗憾按照我们上界所提示的方式缩放。IMLinUCB 允许线性泛化，因此在统计和计算上都适合大规模问题。我们的实验还表明，具有线性泛化的 IMLinUCB 可以在真实世界的在线影响力最大化中实现低遗憾。
引用
@article{arxiv.1605.06593,
title = {Online Influence Maximization under Independent Cascade Model with Semi-Bandit Feedback},
author = {Zheng Wen and Branislav Kveton and Michal Valko and Sharan Vaswani},
journal= {arXiv preprint arXiv:1605.06593},
year = {2018}
}
备注
Compared with the previous version, this version has fixed a mistake. This version is also consistent with the NIPS camera-ready version