独立级联模型下具有节点级反馈的在线影响力最大化
社会与信息网络
2022-08-26 v3 数据结构与算法
机器学习
摘要
我们研究社交网络中的在线影响力最大化(OIM)问题，其中学习器反复选择种子节点以生成级联，观测级联反馈，并在多轮中逐渐学习能生成最大级联的最佳种子。基于现实世界的需求，我们采用节点级反馈而非文献中常见的边级反馈。边级反馈揭示级联中传递信息的所有边，而节点级反馈仅揭示被激活的节点及其时间戳。节点级反馈可以说更为现实，因为实践中观察谁受到影响相对容易，但很难观察影响来自哪种关系（边）。此前，针对线性阈值(LT)扩散模型下具有节点级反馈的OIM问题，存在一种近最优的 -regret 算法。对于独立级联(IC)扩散模型是否存在相同算法仍属未知。在本文中，我们通过提出一种 IC 模型下具有节点级反馈的 OIM 问题的 -regret 算法，解决了这一开放问题。
引用
@article{arxiv.2109.06077,
title = {Online Influence Maximization under the Independent Cascade Model with Node-Level Feedback},
author = {Zhijie Zhang and Wei Chen and Xiaoming Sun and Jialin Zhang},
journal= {arXiv preprint arXiv:2109.06077},
year = {2022}
}
备注
The published version of this paper claims there are OIM algorithms with node-level feedback that use standard offline oracles. However, we later found there are severe bugs in our initial algorithms. In this update, we retrieve most of our results by presenting an OIM algoithm that uses pair oracles