Dieses Papier führt das Problem der Multiplex-Einflussmaximierung ein, bei dem mehrere miteinander verbundene Informationsartikel gleichzeitig in einem sozialen Netzwerk verbreitet werden. Im Gegensatz zu früheren Forschungen, die sich auf die Ausbreitung einzelner Informationen konzentrierten, berücksichtigt dieses Modell die Assoziation zwischen verschiedenen Informationsartikeln, die zu einer komplexen Ausbreitungsdynamik führt.
Um dieses Problem zu lösen, präsentiert das Papier den GBIM-Rahmen, der aus zwei Hauptmodulen besteht: einem Ersatzmodell und einer Datenerfassung. Das Ersatzmodell verwendet eine effiziente globale kernelbasierte Aufmerksamkeits-Message-Passing-Komponente, um die komplexen Ausbreitungsmuster zu lernen, und kombiniert sie mit einer Bayes'schen linearen Regression, um ein skalierbares Ersatzmodell zu erhalten. Das Datenerfassungsmodul nutzt einen Explore-Exploit-Ansatz, um den Samenknoten-Satz mit der höchsten beobachteten Leistung zu optimieren.
Umfangreiche Experimente auf synthetischen und realen Datensätzen zeigen, dass der vorgeschlagene GBIM-Rahmen die Leistung anderer Methoden deutlich übertrifft und gleichzeitig gut skalierbar ist.
To Another Language
from source content
arxiv.org
Дополнительные вопросы