面向社交网络 misinformation 缓解的反向预防采样

在这项工作中，我们考虑错误信息在社交网络中传播并研究其预防问题。在该问题中，一场“坏”活动从网络中的一组种子节点开始传播，我们利用限制（或“好”）活动的概念来抵消错误信息的影响。目标是识别一组需要被说服采纳限制活动的 $k$ 个用户，以最小化在两场传播过程结束时采纳“坏”活动的人数。本工作提出 \emph{RPS}（Reverse Prevention Sampling，反向预防采样），一种为错误信息缓解问题提供可扩展解决方案的算法。我们的理论分析表明，\emph{RPS} 在 $O((k + l)(n + m)(\frac{1}{1 - \gamma}) \log n / \epsilon^2 )$ 期望时间内运行，并以至少 $1 - n^{-l}$ 的概率返回 $(1 - 1/e - \epsilon)$ 近似解（其中 $\gamma$ 是一个通常较小的网络参数，$l$ 是置信参数）。\emph{RPS} 的时间复杂度相比先前已知的最优算法（运行时间为 $\Omega(m n k \cdot POLY(\epsilon^{-1}))$）有实质性改进。我们在大型数据集上实验评估了 \emph{RPS}，表明其在运行时间上比最先进的解决方案高出几个数量级。这表明错误信息缓解可以在保持强理论保证的同时变得切实可行。