社区结构对于学习影响最大化的重要性
社会与信息网络
2018-01-24 v1 数据结构与算法
摘要
我们考虑社交网络中影响最大化的经典问题。自 Kempe、Kleinberg 与 Tardos 的开创性工作以来，关于该问题存在两条大体脱节的研究脉络。其一是研究与生成式影响模型参数学习相关的问题。其二是聚焦于在已知生成模型参数前提下识别影响者集合的算法挑战。近期关于学习与优化的结果表明，一般而言，若生成模型未知而是从训练数据中学得，则任何算法都无法使用从任意分布抽取的多项多项式样本给出常数因子近似保证。本文中，我们设计了一种简单启发式方法，通过利用社交网络的强社区结构在实践上克服该负面结果。尽管一般而言我们算法的近似保证必然无界，我们展示了该算法在实验中表现良好。为证明其性能，我们证明该算法在通过随机块模型（传统上用于建模具社区结构网络）生成的图上获得常数因子近似保证。
引用
@article{arxiv.1801.07355,
title = {The Importance of Communities for Learning to Influence},
author = {Eric Balkanski and Nicole Immorlica and Yaron Singer},
journal= {arXiv preprint arXiv:1801.07355},
year = {2018}
}