在线社交网络中的意见感知影响力最大化

影响力最大化（IM）旨在在线社交网络上寻找种子用户，以通过所有用户间的口碑传播最大化关于目标产品的信息传播。先前IM方法多聚焦于最大化整体影响传播，假设所有用户均为产品潜在客户且更多曝光带来更高收益。然而在真实场景中，部分不喜欢产品的用户可能表达并传播负面意见，损害产品声誉并降低其利润。本文研究意见感知影响力最大化（OIM）问题，即寻找一组种子用户以最大化对产品的正面意见同时最小化负面意见。我们提出一种求解OIM问题的新算法。具体而言，从历史数据获取对产品持正面与负面意见的用户后，我们设计基于反向可达集的意见感知影响估计方法，以及用于种子集选择的夹心近似算法。尽管OIM具NP难且非子模性，我们的算法为OIM取得数据依赖的近似因子。在三个真实数据集上的实验结果表明，与现有方法相比，我们的算法在提升正面意见传播的同时减少了负面意见传播。