影响力最大化-收益优化的随机动态规划启发式方法

著名的影响力最大化（IM）问题在过去十年中被研究者积极研究，重点在于营销与社交网络。现有研究通过获取影响传播并利用子模性性质获得了 IM 问题的解。本文基于一种面向在线社交网络（OSN）中优化点击进而优化收益的新型 IM 问题方法。我们的方法通过实施随机动态规划（SDP）采取一种新颖的决策视角，从而偏离现有方法。因此，我们定义了一个新问题——影响力最大化-收益优化（IM-RO），并提议将 SDP 作为解决该问题的方法。SDP 方法在优化点击与产生收益方面为广告主带来丰厚收益，然而该方法的一个缺陷是其相关的“维数灾难”，尤其对于涉及大状态空间的问题。因此，我们引入了 Lawrence 度启发式（LDH）、自适应爬山（AHC）和多阶段粒子群优化（MPSO）启发式方法，它们比 SDP 方法快数个数量级，同时取得近最优结果。通过对多种合成与真实网络上的比较分析，我们呈现了 AHC 和 LDH 作为在理想模型参数下就准确性、运行时间与可扩展性而言非常适合 IM-RO 问题的启发式方法。本文对 SDP 方法作为 OSN 中传播信息与优化收益的实用且高收益方法给出了引人注目的考察。