超越非负性的次模优化：激励型社交广告中的自适应种子选择

社交广告（或社交推广）的思想是选择一组有影响力的个体（即种子）来通过在线社交网络帮助推广某些产品或理念。社交广告生态系统中有两个主要参与者：广告主和平台。平台通过将广告插入种子的信息流中，向广告主出售“点赞”等病毒式互动。这些种子从平台获得货币激励，以换取其参与社交广告活动。一旦某种子的一位关注者参与了广告，平台就从广告主处收到固定数额的付款，称为每次互动成本。该广告可能潜在地吸引关注者的关注者更多的互动并触发病毒式传播。在活动开始时，广告主向平台提交预算，该预算可用于两个目的：招募种子和支付种子产生的病毒式互动。请注意，第一部分付款给种子，后一部分是平台实际收取的收入。在此设定下，平台的问题是招募一组种子，使其在预算约束下能够收集到最大可能的收入。我们将此问题表述为一个种子选择问题，其目标函数是非单调的且可能取负值，使得现有的次模优化和影响力最大化结果不适用于我们的设定。我们在非自适应和自适应两种设定下研究此问题。尽管本文关注社交广告，我们的结果适用于任何目标函数为随机次模函数与线性函数最小值之期望的优化问题。