面向社交网络用户参与、由拓扑驱动多样性的定向影响最大化

影响最大化的研究常常需要应对与信息向特定用户传播相关的营销需求。然而，信息扩散活动的成功可能不仅取决于待检测的初始影响者数量，还取决于它们相对于活动目标的多样性，这一点很少受到关注。我们的主要假设是：如果我们学习到既能施加影响、又与更多样（组）用户相连的种子节点，那么影响触发也将多样化，从而目标用户将有更高机会被卷入。基于这一直觉，我们定义了一种新问题，称为多样性敏感的定向影响最大化（DTIM），其假设仅利用社交图中的拓扑信息来建模用户多样性。据我们所知，我们首次将拓扑驱动的多样性概念引入定向影响最大化问题，并为此给出了两种可选定义。相应地，我们提出了DTIM的近似解法，针对给定目标用户集合，检测出大小为k的用户集合以最大化多样性敏感的资本目标函数。我们在一个在线社交网络用户参与的特例上评估了DTIM方法，该特例涉及未积极参与社区生活的用户。在真实网络上的实验评估证明了我们方法的意义，同时也凸显了进一步开发DTIM应用解法的机会。