时间阻止一切同时发生：传播时间感知的影响力最大化

Kempe等人开创性论文中定义的影响力最大化（IM）问题已受到各研究界的广泛关注，导致了多种解决方案的设计。不幸的是，这一经典IM问题忽略了一个事实：在现实世界社交网络中，影响传播达到最大范围所需的时间可能很长，在此期间底层网络本身可能已经演化。这种现象可能对所选种子质量产生相当大的不利影响，因此所有以该经典定义为构建模块的现有技术都生成具有次优影响范围的种子。本文中，我们重新审视经典IM问题，并提出一个更现实的版本称为PROTEUS-IM（传播时间感知的影响力最大化）以通过解决上述局限来替代它。具体地，由于影响传播可能耗时，我们假设底层社交网络可能在影响传播期间演化。因此，PROTEUS-IM旨在当前网络中选择种子，以在影响传播过程结束时的网络未来实例中最大化影响范围，而不假设未来网络的完整拓扑知识。我们提出了一个贪心和一个基于反向可达（RR）集的算法，分别称为PROTEUS-GENIE和PROTEUS-SEER，以解决该问题。我们的算法利用最先进的森林火灾模型（Forest Fire Model）来建模影响传播期间的网络演化，从而找到更优质量的种子。在真实和合成社交网络上的实验研究表明，我们提出的算法在种子集质量方面始终优于最先进的经典IM算法。