影响最大化问题是在社会网上寻找最具影响力的种集。目前的研究工作忽略了影响传播最大化和利润最大化的区别,以及影响范围会随着时间的推移趋于平稳。考虑用户动作日志,提出了基于时间长度的影响力分配模型IVA-T(influence value allocation-T),在此基础上首次提出了时间最优的利润最大化问题(timeoptimal profit maximization,OTPM),并证明了该问题为NP-hard问题。为求解OTPM问题,提出了一个有效的近似算法Profit-Max,并证明了Profit-Max算法的近似比。多个真实数据集上的实验结果表明,该算法可以有效并高效地解决OTPM问题。
局部影响最大化问题是在社会网中寻找最能影响某个目标节点的种集。现有的研究只考虑对单一目标节点的影响,忽略了传播项上的主题分布以及用户之间基于主题的影响概率。重点研究了在主题分布的条件下,如何选取最能影响目标节点集合的种集,提出了针对目标节点集合的局部影响程度计算方法(topicbased local influence degree computational method,T-LID),在此基础上提出了基于主题的局部影响最大化(topic-based local influence maximization,TLIM)问题,并证明了该问题为NP-hard问题。为求解TLIM问题,提出了基于主题的局部贪心算法(topic-based local greedy algorithm,TLGA)以及基于主题的局部传播算法(topic-based local propagation algorithm,TLPA)。多个真实数据的实验结果表明,所提算法可以有效并高效地求解基于主题的局部影响最大化问题。
