当前位置 博文首页 > travalscx的博客：影响力最大化，传播模型
Low-dimensional Vectors Learning for Influence Maximization
定义传播方法，使用向量和目标函数学习，通过目标函数学习，得到每个向量
论文思路：
使用自创的传播方法来定义传播（每个顶点有向量，用向量在计算传播概率）
参考pagerank来计算每个顶点的初始能量
根据能量使用贪心算法选择边缘概率最大的k个顶点
论文：Influence Maximization via Representation Learning
在训练头节点的嵌入向量的时候，约束为他和级联序列中其他顶点的相似度，还有一个约束是她能够表示这个级联的长度，也就是一个神经网络里有两个loss（这个方法是不是可以用到其他的嵌入中，比如医疗）
由于之前学习可以得到头节点影响其他节点的概率，因此在这里不需要考虑一个节点通过其他节点影响下一个节点。所有的影响路径都是1.可以建立成一个二分图。也就是不用再考虑扩散
论文：Representation Learning for Information Diffusion through Social Networks/ an Embedded Cascade Model（Embedd-IC）
IC模型的变形，使用节点嵌入来表示影响概率
将传播图模型变成传播空间模型
论文：Learning social network embeddings for predicting information diffusion
通过学习排名来学习传播模型的嵌入，自己定义了rank的方法
在学习每个顶点向量的同时，也学习一个内容向量，在传播的时候用头节点向量加上内容向量之后看具体message的传播
论文：Learning social network embeddings for predicting information diffusion
使用嵌入方法做传播预测。空间的距离代表传播的登记
最大化每个时间的感染集合和非感染集合的感染概率，感染概率使用向量表示，进行学习嵌入的向量。使用EM方法进行目标函数的化简和等效学习
保留社会嵌入中信息扩散的时间动态
论文：Cosine: Community-preserving social net- work embedding from information diffusion cascades （以Embedd-IC为基础）
时间上的概率使用long-tailed distribution, inverse-Gaussian distribution ，对于社区上的概率使用Gaussian mixture model。目标函数要包含这两部分。使用EM更新向量。
使用逆高斯分布表示顶点v在时间t上被感染的密度函数，逆高斯分布描述的是到达固定距离所需时间的分布
混合高斯模型可用来表示多个高斯分布，极大似然模型可以求解高斯分布，但无法求解混合高斯模型，使用EM可以求解https://blog.csdn.net/lin_limin/article/details/81048411
论文：Sketch-based Influence Maximization and Computation/ Scaling up with Guarantees（基本方法，反向可达）
