社交网络中面向观点最大化的智能信息传播

观点最大化的目标是在社交网络中最大化个体对某一产品、意识形态或任何实体的正面看法。迄今为止，观点最大化主要被研究为在社交网络中寻找一组有影响力的节点以实现内容的快速传播。在本文中，我们提出了一种解决该问题的新方法，通过高效的信息传播来实现观点最大化。在我们的模型中，多个信源持续向网络中注入信息，而具有异质社会学习能力的普通节点通过八卦机制将信息传播给其熟人。其中一个信源采用智能信息传播，其余信源随机传播信息。我们将社会交互与观点演化建模为动态贝叶斯网络（DBN），并据此将观点最大化表述为一个序贯决策问题。由于该问题难以处理，我们开发了集中式和去中心化学习算法的多种变体以获得近似解。通过在合成网络和真实网络中的仿真，我们展示了两个关键结果：1）所提方法大幅优于随机传播；2）即使智能信源（传播期望内容者）在网络中处于不利位置，它也能胜过位于有利位置的竞争随机信源。