👉目录
1 背景
2 相关工作与挑战点
3 主要贡献与创新点
4 ICI 传播模型
5 离线实验效果
6 落地应用效果1：熟人推荐
7 落地应用效果2：种子传播
8 总结
腾讯游戏社交算法团队联合新加坡国立大学研发了面向私域社交网络的独立级联邀请模型（ICI），落地应用在多个游戏场景中，显著提升了社交网络传播活动中种子用户选择和好友推荐系统的性能。相关工作成果已被 WWW 2024接收录用（接收率21.3%）。
WWW 国际万维网会议（The Web Conference）是每年一度的以互联网未来发展方向为主题的国际学术会议，是交叉、新兴、综合领域的 CCF A 类顶级会议。
01
背景
在社交网络日益成为人们日常生活不可或缺的一部分的今天，信息如何在网络中传播和扩散成为了一个重要课题。邀请感知扩散（invitation-aware diffusion, IAD）描述了信息通过邀请机制从一位用户传播到另一位用户的过程，其涉及用户的邀请和接受行为。IAD 在各种现实世界的社交平台上广泛存在，例如微信、领英和网络游戏。与对陌生人的推文进行点赞或评论的行为不同，邀请行为通常发生在私域社交网络的朋友之间，从而通过已建立的社交关系进行传播。例如，腾讯游戏平台经常组织活动以增进熟人之间的友谊，鼓励用户邀请朋友一起游戏，接受邀请的朋友可以进一步邀请他们的朋友，从而创建一连串的邀请。此外，理解 IAD 的机制有助于提升多种下层应用，如影响力最大化、谣言检测、扩散预测和网红定价。
02
相关工作与挑战点
当下关于 IAD 的相关研究主要集中在探索其宏观属性，例如，从选定用户出发的传播树的大小和深度，以及用户同质性在 IAD 中的作用。然而，这些工作并未能设计出一个考虑邀请行为的通用传播模型。同时，尽管近几十年来提出了许多传播模型，但将其适配于邀请机制仍然存在挑战。首先，IAD 的社交影响过程仍不明确，即用户如何被其他人通知或激活。为了解释这一点，现有模型的社交影响过程大多源自两种传统模型：Independent Cascade（IC）和 Linear Threshold （LT）。前者假设每个人都是被他们的活跃朋友独立影响的，后者表明用户只有在足够数量的朋友被激活后才会受到影响。因此，一个关键问题出现了：IAD 的社交影响力过程是符合 IC 模式、LT 模式，还是两者都不是？其次，邀请和接受行为的转变进一步使得 IAD 的传播过程变得复杂，因而导致现有模型难以捕捉。
图一：用户行为转化漏斗，自上而下表示用户知悉，喜爱，采纳，行动。不失一般性地，在本文提到的邀请场景中，我们将喜爱和采纳两阶段合并以方便介绍。
03
主要贡献与创新点
在本工作中，我们首次提出了考虑邀请行为的通用传播模型：Independent Cascade with Invitation （ICI）。ICI 利用传统 IC 模型的影响过程来刻画好友之间邀请行为。同时，引入了邀请机制中伴随的用户多级行为转化（如图一所示），例如，用户在接受邀请后可能会转变为新的邀请者。此外，我们通过对游戏中的 IAD 进行实证研究以验证我们的设计。值得注意的是，我们提出的 ICI 算法也可适用于其他包含转化漏斗的传播场景。
在应用方面，我们将 ICI 集成到四个关键任务中，即级联估计、扩散预测、熟人推荐和影响力最大化。对于每个应用，我们都提供了关于正确性和计算复杂度的详细分析，强调 ICI 在一系列场景中的适用性。在离线实验中，我们证明了我们的解决方案在级联估计中可以超过最佳竞争者达5倍，在扩散预测中可以提高40.3%。我们将 ICI 及其应用部署在腾讯在线游戏的熟人推荐和种子传播场景中，分别实现了高达20.3%和170%的改进。
04
ICI 传播模型
我们提出了独立级联邀请模型（ICI），其专为解决社交网络中由邀请机制驱动的信息传播问题而设计。ICI 模型的核心在于模拟和理解好友之间的邀请行为及其对信息传播的影响。该模型通过以下几个关键技术概念和步骤来实现这一目标：
用户角色分类：模型将用户分为三种角色：邀请者（Inviter）、受邀者（Invitee）和接受者（Acceptor）。这种分类反映了社交网络中邀请行为的复杂性，其中每个用户可能在不同的时间点扮演不同的角色。
独立邀请过程：模型假设每个邀请者都有机会独立地邀请他们的好友成为新的受邀者。这一过程是概率性的，即邀请者
邀请好友
成功与否取决于预先设定的邀请概率
。多阶段行为转换：模型不仅考虑了邀请的发生，还进一步模拟了用户从受邀者转变为接受者，以及从接受者转变为新的邀请者的概率。这些转换过程是通过特定的概率参数
和
来控制的，反映了用户在接受邀请后可能采取的不同行动。
值得注意的是，上述提到的邀请概率和转化概率与本文模型正交，其可以通过历史数据或其他学习方法得到，这里不做过多赘述。下图二表示 ICI 模型的一次模拟实例，在步骤0开始时，假设图中用户
被选定为初始的邀请者。其他用户
此时处于未被邀请的状态，即他们是潜在的受邀者。在步骤1，邀请者
有机会独立地向他的朋友们发送邀请。在这个例子中，
成功地向他的朋友们
发送了邀请，他们由此成为受邀者。受邀者
以概率
接受邀请成为接受者，在此例中，
最终变成了接受者。接受者随后有机会成为新的邀请者，继续向他们的好友发送邀请。在此例中，
作为新的邀请者向
发出了邀请 。这个过程会一直持续，直到没有新的邀请者产生，此时本次模拟结束。
图二：ICI 模型的模拟示意图（未知悉用户：浅灰色；受邀者：黄色；接受者：橙色；邀请者：黄色）。
05
离线实验效果
背景：给定社交网络 G 和种子集 S，扩散预测任务的目标是预测社交网络 G 中的每个用户是否受到直接或间接受到的影响。这个任务对于理解信息、观点或行为如何在社交网络中传播至关重要，同时也在市场营销、疾病控制和公共政策等领域具有实际应用价值。
表一： 数据集详情（
）。
数据集 | 节点数 | 关系数 | 种子数 | 实际传播量 |
TXG-A | 153.0K | 2.3M | 10.3K | 12.8K |
TXG-B | 155.5K | 2.5M | 4.9K | 12.6K |
TXG-C | 155.9K | 2.5M | 4.4K | 11.0K |
TXG-D | 133.9K | 2.1M | 12.2K | 76.4K |
Diggs | 279.6K | 1.5M | 0.6K | 8.1K |
456.6K | 12.5M | 27.0K | 38.7K |
方法：在扩散预测的解决方案中，我们首先需要一个扩散模型 M，这个模型能够描述信息在社交网络中的传播机制。具体来说，对于社交网络中的每个用户
，我们设置一个计数器来记录在 T 次基于模型 M 的模拟中该用户被 S 影响的次数。模拟结束后，我们计算每个用户
的预测概率
，即用户在 T 次模拟中被影响的平均次数。
效果：这里我们选取如表一所示的实际世界数据集来测试传统模型 IC、LT 和提出的 ICI 的效果。其中，TXG-A 至 TXG-D 为腾讯某 RPG 游戏抽奖活动数据，Diggs 和 Twitters 为与投票和转发有关的公开数据集。如下图三所示，在扩散预测任务中，我们提出的 ICI 模型结果可以在所有测试数据集中，在 AUC 和 MAP 指标下，显著优于传统的 IC 和 LT 模型的结果，比最好的基线方法相对提升高达40.3%。
图三：IC，LT 和 ICI 模型在扩散预测任务中的效果（AUC 和 MAP 指标越高越好）。
06
落地应用效果1：熟人推荐
背景：这类活动是全员类活动，形式是给每位玩家个性化推荐具有限定长度的好友列表，玩家点击列表中的好友并邀请其转化后，就可以获得奖励。奖励可以是促活跃的物品如组队得分加成卡、活动代币，也可以是商业化资源，如消费/抽奖获得的现金红包、折扣券等。在缺少算法介入的情况下，通常会基于好友间的亲密度来排序生成列表。这种方法虽然有助于点击率，但忽略了活动的传播效应，即用户在活动中点击其他用户，导致其他用户的转化，进而影响和带动更多用户在活动中转化。
方法：为将玩家好友的传播影响力引入此场景，我们计算每个玩家好友
基于 ICI 的影响力
，并以此启发式指标为玩家推荐个体 ICI 影响力最大的一组好友。具体来说，
表示
在 ICI 模型下可直接和间接影响继而成为接受者的用户数量。
效果：我们将提出的算法应用到2022年八月份和九月份的一个热门 RPG 游戏的社交抽奖活动中。如下表二和表三所示，在邀请率方面，ICI 模型相比亲密度策略在八月和九月分别提升20.3%和10.8%。这些数据显示，ICI 模型在提高用户发出邀请的意愿方面表现更佳，这意味着 ICI 模型更有效地识别了用户可能感兴趣并愿意分享的目标对象。在付费率方面，ICI 模型相比亲密度策略在八月和九月分别提升31.6%和3.7%。付费率的提升表明，ICI 模型推荐的目标用户具有带动更深层次转化的潜质，同时反映了 ICI 模型在增加平台收入方面的潜力。
表二： 八月社交抽奖活动效果
| 指标 | 基于 ICI 的影响力 | 亲密度 |
| 邀请率 | 0.096 | 0.0798 |
| 付费率 | 0.3515 | 0.2671 |
表三： 九月社交抽奖活动效果
| 指标 | 基于 ICI 的影响力 | 亲密度 |
| 邀请率 | 0.1789 | 0.1615 |
| 付费率 | 0.3091 | 0.298 |
07
落地应用效果2：种子传播
背景：这类活动的形式是平台预先选取一批种子用户低门槛获得活动奖励，如上分卡、皮肤、增加抽奖机会等 ，其他玩家与已有资格玩家组队游玩后可解锁奖励，同时还可以把资格继续“传染”给 TA 的好友。活动的规则是，与越多好友组队，获取的奖励越多。相较于传统的全员拍脸活动 (直接给全量玩家活动资格，无传染逻辑)，种子传播不仅能更精细地控制资源投放量，其活动资格的稀缺性也能激发玩家的自发竞争和社区讨论，加之 KOL 的有效曝光，实质性提升了活动参与度。
方法：在此类传播活动中，如何从社交网络中筛选高质量种子以最大化传播范围成为此活动成功的关键。为此，我们利用提出的 ICI 模型来解决社交网络中的影响力最大化（IM）问题。IM 问题被定义为：
在给定社交网络 G、一个整数 K（种子用户的预算数量）以及一个传播模型 M 的情况下，寻找一个包含个用户的种子集 S，使得在模型 M 下的整体传播范围
最大化。
同样，在此处我们选择关注 ICI 中接受者（Acceptor）的数量，并将
定义为在 ICI 模型下被影响继而成为接受者的数量。由于此类问题为 NP-Hard，这里我们采用经典的贪心算法以获得种子集 S。
表四： 种子传播活动效果
| 指标 | 基于ICI的影响力最大化算法 | 度中心性 |
| 传播范围增量 | 2286 | 843 |
| 邀请率 | 0.462 | 0.3244 |
效果：我们将提出的算法和传统按照度中心性选择的基线算法应用到某热门 FPS 游戏的种子传播活动中，分别选择5000个种子玩家。实验结果显示，使用 ICI 模型选择的种子用户在信息传播和活动参与方面取得了显著的效果。具体来说，与基线算法选择的种子集相比，ICI 模型选择的种子用户在传播增量上提高了170%，在左端用户邀请率上也实现了37.5%提升。这一结果表明，ICI 模型能够有效地识别出那些具有较高社交影响力和传播潜力的用户，从而最大化社交网络营销活动的影响力。
08
总结
在本文中，腾讯与新加坡国立大学、南方科技大学、PyroWis AI （http://pyrowis.ai/） 共同研发的独立级联邀请模型（ICI）已经证明了其在预测和优化信息传播方面的卓越能力。该模型在多个游戏场景中得到了应用，显著提升了种子用户选择和好友推荐系统的性能。展望未来，我们将致力于进一步深化模型的学习与参数优化，以更好地满足用户的个性化需求。同时，我们也期待探索 ICI 模型在更广泛社交网络场景中的应用潜力，以推动社交网络信息传播策略的持续创新和发展。
相关资料：
Shiqi Zhang, Jiachen Sun, Wenging Lin, Xiaokui Xiao, Yigian Huang, Bo Tang.
Information Diffusion Meets Invitation Mechanism. Proceedings of the ACM Web Conference (WWW), 2024.
-End-
原创作者 | 林文清
你对这个传播模型有什么看法？欢迎评论留言。我们将选取1则优质的评论，送出腾讯Q哥公仔1个（见下图）。4月19日中午12点开奖。
📢📢欢迎加入腾讯云开发者社群，享前沿资讯、大咖干货，找兴趣搭子，交同城好友，更有鹅厂招聘机会、限量周边好礼等你来~
（长按图片立即扫码）
184
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
