【KDD2019|讲座推荐】自适应影响最大化：Adaptive Influence Maximization

讲座题目

自适应影响最大化：Adaptive Influence Maximization

讲座简介

信息传播和社会影响在当今的网络生态系统中越来越普遍。对于在网络上做广告的所有参与者（媒体公司、政党、公司等），拥有优化社交媒体的存在和信息传播的算法确实至关重要。由于需要有效的病毒式营销策略，影响估计和影响力最大化已成为重要的研究问题，导致了大量的方法。然而，这些方法大多是非适应性的，因此不适用于影响活动可以在多轮中运行和观察的场景，也不适用于不能假定通过扩散网络充分了解信息在其中传播的方式的场景。 在本教程中，我们打算介绍最近的研究自适应影响力最大化，其目的是解决这些限制。这可以看作是影响最大化问题的一种特殊情况（其中，在社交图中选择种子以最大化信息传播），其中一个决定在多个回合中作为影响运动展开，并且关于图拓扑和影响过程的知识可以是部分的或甚至是完全的。不见了。这种设置，取决于潜在的假设，导致变量和原始的方法和算法技术，正如我们在最近的文献中看到的。我们将回顾这一领域中最相关的研究，按照几个关键维度进行组织，讨论方法的优点和缺点，以及开放性研究问题及其实施的实际方面。

讲座嘉宾

Bogdan Cautis，自2013年9月起担任法国巴黎大学计算机科学系教授。在此之前，他是巴黎电信学院（2007-2013）的副教授。2007年，他在印度国立研究院和巴黎大学获得博士学位。他目前的研究兴趣是广泛的数据管理和数据挖掘领域，特别关注社交网络和信息传播。