引导社交活动：随机最优控制视角

在线社交网络中的用户参与度关键取决于相应平台上的社交活动水平——即用户所采取的在线行为（如发帖、分享或回复）的数量。我们能否设计数据驱动的算法来提升社交活动？在用户层面，此类算法可通过帮助用户决定何时采取行动以更可能被同伴注意到，从而提升活动。在网络层面，它们可通过激励少数有影响力的用户采取更多行动来提升活动，而这又会引发其他用户的额外行动。在本文中，我们使用标记时间点的过程框架对社交活动建模，利用带跳的随机微分方程（SDE）推导这些过程的另一种表示，并利用该替代表示，开发了两种具有可证明保证的高效在线算法，以在用户和网络层面引导社交活动。在此过程中，我们建立了跳 SDE 的最优控制与双重随机标记时间点过程之间此前未被探索的联系，这本身具有独立意义。最后，我们使用合成数据以及从 Twitter 收集的真实数据进行实验，表明我们的算法始终比当前最优方法更有效地引导社交活动。