【摘 要】
：
随着在线社交平台飞速的发展,社交媒体成为人们获取信息的主要来源,在线营销成为主流的营销方式。大量商家将自己的产品在网络发布,通过社交网络进行病毒式营销。营销的关键在寻找具有影响力的种子用户,通过种子用户的口碑传播实现最大化影响范围,提升营销效果。为了找到符合要求的种子用户,影响力最大化问题被提出,并受到学界广泛的研究。传统的影响力最大化问题往往只关注影响范围,忽略了营销中的商业因素。真实的病毒式营
论文部分内容阅读
随着在线社交平台飞速的发展,社交媒体成为人们获取信息的主要来源,在线营销成为主流的营销方式。大量商家将自己的产品在网络发布,通过社交网络进行病毒式营销。营销的关键在寻找具有影响力的种子用户,通过种子用户的口碑传播实现最大化影响范围,提升营销效果。为了找到符合要求的种子用户,影响力最大化问题被提出,并受到学界广泛的研究。传统的影响力最大化问题往往只关注影响范围,忽略了营销中的商业因素。真实的病毒式营销过程中,商家只有固定的营销预算,每选择一个种子用户都需要支付代价,只有通过种子用户成功的影响目标用户,才会产生营销收益,商家更关注如何使用固定的预算获取最大化的营销收益。这种商业情景下的病毒式营销问题被称为收益影响力最大化问题。收益影响力最大化问题是在传统问题的基础引入目标节点,预算和收益成本三项约束条件,使问题的计算复杂度,问题的性质都发生改变,传统算法已经无法直接应用于收益影响力最大化问题,现有的算法又很难在此场景下应用。为了解决上述问题,本文主要的创新点和工作内容如下:（1）提出基于边际性价比的收益影响力最大化算法（MCPR）。算法首先定义边际性价比,用于评估收益影响力最大问题中节点的重要性,随后使用迭代的方法寻找一个与贪心算法选择策略非常类似的近似自洽序列,最后利用独立级联模型传播特点,设计一种性价比分配方法加速迭代。实验表明,MCPR算法可以有效的避免节点间的收益重叠,取得与贪心算法近似的效果,同时运行速度大幅提升。（2）提出基于局部DAG的收益影响力最大化算法（TIDAG）。考虑到MCPR算法只能在独立级联模型上运行,无法在线性阈值模型上运行,本文利用线性阈值模型传播特点,提出TIDAG算法。算法放弃使用蒙特卡洛模拟的方法计算收益,改为在有向无环图（DAG）上计算收益。通过对每个目标节点构建局部DAG,在最大限度保留结构特征的前提下减少计算量。在三个真实数据集上的实验表明,TIDAG优于现有的基线算法。
其他文献
如今的全球定位系统、手持设备、带有定位系统的车辆以及很多其他领域每天都产生大量的空间数据,这些空间数据中存在着十分重要的潜在价值。空间数据挖掘的目的就是要呈现潜藏在空间数据中有意义、有价值的信息。空间并置模式挖掘是空间数据挖掘的一个分支,传统的空间并置模式挖掘算法采用最小频繁性阈值来判断一个空间并置模式是否频繁,然而在实践中不容易确定一个合适的最小频繁性阈值,并且这些方法识别空间并置模式的行实例会
科学技术在进步，时代在不断变换，企业之间的竞争也越来越激烈。营运能力是验证其企业健康和是否可持续发展的核心指标，作为企业财务分析的四大指标之一，影响企业的发展前景。分析企业的营运能力，判断企业的营运状况，可以帮助投资者、经营者、债权人以及其他利益相关方了解企业过去、评价企业现状、预测企业未来，提供准确的信息以做出正确决策，还可以帮助企业有效避免经营方面的风险，提高竞争力。
深度学习在医学图像分析中的可使用性和潜力在过去几年中显著增加,由于医学图像的手动注释对于临床专家而言非常耗时,因此可靠的自动分割算法是处理大量医学图像数据注释的理想方式。医学图像的自动分割算法用于描述医学图像的解剖结构和其他感兴趣区域,并指导放射治疗和改进放射诊断。受深度学习的成功驱动,深度学习的应用潜力使其成为医学图像分割算法的主要选择。目前,在各种医学分割任务上,基于深度学习的自动分割算法取得
视频目标跟踪技术能够根据初始帧给定的目标信息,在后续视频帧中得到该目标的运动参数。其在精确制导、智能导航等诸多领域有着广泛的应用前景。但实际的跟踪过程中存在各种复杂的情况,以至于视频目标跟踪算法要面对较多的挑战。本文主要针对相关滤波跟踪算法在目标遮挡、背景杂乱、快速运动等挑战中出现的响应图的多峰值的问题,基于多峰检测技术对相关滤波跟踪算法展开研究。本文开展的主要工作如下:第一,针对目标遮挡与目标形
影响最大化是社会网分析的一个重要研究方向,在广告营销,舆情控制等领域具有广泛应用,影响最大化方法旨在寻找一组具有较高影响力的初始种子节点,最大化传播和扩散节点的影响范围。目前主要的影响最大化方法主要是针对同质社会网,同质社会网只是现实世界同类对象与对象之间关系的一种简述,并不能真正的表达现实社会中多种对象类型之间的社会关系。异质社会网中多种对象类型,多种对象间关系类型蕴含着丰富的结构和语义信息,有
社交网络的发展为信息的快速传播带来了新的潜力,而确定网络中具有影响力的节点被视为这种潜力能够付诸行动的关键因素,影响力最大化的问题也由此被提出。影响力最大化问题旨在从给定的网络中找到固定大小的种子集,再经过特定的传播模型,使最终的信息扩散范围达到最大。正因为其在商业领域的巨大应用潜力,影响力最大化问题受到了广大研究者们的青睐。目前关于影响力最大化问题的研究大多都集中在同质信息网络,忽视了不同类型节
信息时代的浪潮不断推进,但空间数据的指数级增长与海量数据的处理能力不匹配,由此空间数据挖掘应运而生。空间co-location模式挖掘能发现空间中频繁关联的特征,在空间数据领域得到广泛关注。本文研究的空间co-location主导特征模式挖掘方法,能够发掘不同重要性的空间特征,为空间数据分析及决策提供支持。在空间co-location模式的主导特征挖掘中,特征实例的空间分布状态是衡量模式中特征主导
随着互联网上的数据海量增长,信息过载严重阻碍了人类社会的发展,推荐系统应运而生,它通过过滤、筛选匹配等手段,以解决信息过载的问题。传统的推荐系统核心问题是根据用户的历史反馈对用户和项目之间的交互进行建模,但这种建模的方式是静态的,只能捕获用户的共性偏好。在现实生活中,用户的习惯往往是序列化的行为,而不是独立的交互。此外,用户的偏好和物品的流行程度也会动态变化。不同的上下文通常会导致不同的用户项目交
当今的大数据时代下,在数据挖掘、机器学习、图像、文本等领域中都存在类不平衡问题,类不平衡问题一般指不同类别之间样本数量的分布不平衡。基于机器学习的分类算法处理普通的平衡的数据集时较为有效,但数据集存在类不平衡问题时,会产生类别重叠、样本量小、边界模糊和小分裂群等问题,这将影响后续分类器的学习,导致其性能低下。目前解决类不平衡问题的方法可归纳为三类,数据级方法、算法级方法和集成方法。数据级的方法是针
随着后基因组计划的进行,以及高通量生物测序技术的蓬勃发展,推动生物数据呈现出指数级的增长,生物计算已经渗透到了生物学的各个领域,以蛋白质的琥珀酰化为例,判断蛋白质序列中的哪些赖氨酸残基发生琥珀酰化修饰,是蛋白质功能研究中一项非常重要的工作。通过传统的方式来处理这种问题主要通过质谱分析的方法,这种方法会耗费过长的时间周期,以及巨大的人力财力,因此近年来开发了多种基于计算的方法。本文从蛋白质序列出发,