推荐理由:假设商家正通过一个社交网络引入一个新产品,并知道网络中每个用户的购买概率与相应折扣的函数。那么,应该如何向这些社交网络用户提供折扣,以便在给定的预算下,使产品的购买率达到预期的最大化?虽然影响最大化已经被广泛探索,但该问题仍无法被现有方法所解答。在本文中,作者对这个问题进行了系统的解决。作者提出了一般的连续影响最大化问题,研究了其本质属性,并发展了一般的坐标下降算法框架以及实际实现的工程技术。作者的研究不假设任何具体的影响力模型,因此具有一般性和原则性。同时,以目前最流行的触发模型为具体实例,作者证明了更高效的方法在特定影响模型下是可行的。作者在四个基准真实世界网络上进行了大量的实验,并合成了购买概率曲线,由此说明了与经典的影响最大化方法相比,连续影响力最大化可以在适度的额外运行时间内显著改善影响力传播。
论文链接: https://www.aminer.cn/pub/5e6cae3493d709897ccff2a7/continuous-influence-maximization
订阅了解更多论文信息,定制您的个人科研动态信息流:https://www.aminer.cn/user/notification