Influence Maximization: Integrating and Expanding Classical Algorithms into the Social Network Context [陈卫 微软亚洲研究院] 2019年中国计算机大会机器学习与数据挖掘论坛

报告主题：Influence Maximization: Integrating and Expanding Classical Algorithms into the Social Network Context

报告摘要：影响力最大化是选择社交网络中的k个种子节点，以使种子影响力传播最大化。它可以应用于病毒式营销方案，还可以应用于其他方案，例如级联监视和谣言控制。自2003年提出以来，对影响最大化及其变化形式得到了广泛的研究，并且该领域仍在积极发展。影响力最大化也很好地展示了如何将经典算法集成到社交网络环境中。在本次演讲中，将首先介绍影响力最大化的核心研究问题和主要成果。然后，通过几个示例，演示如何将经典算法（例如贪心算法，Dijkstra最短路径算法）集成到影响力最大化算法中，以及在集成过程中如何提出新的研究挑战以及我们如何应对这些挑战，并且在某些情况下，可以通过扩展经典算法以使其适应新设置。

邀请嘉宾：陈卫，微软亚洲研究院的首席研究员，清华大学的兼职教授和中国科学院的兼职研究员。他的主要研究兴趣包括社会和信息网络，在线学习，网络游戏理论和经济学，分布式计算和容错能力。他在社交网络中信息和影响传播的建模和算法研究方面进行了广泛的研究工作，并在顶级会议和期刊上发表了一系列出版物，获得了6600多次引用。于2013年与人合作了《社会网络中的信息和影响力传播》，并且是即将出版的《大数据网络扩散模型和算法》（中文）的唯一作者。他是CCF大数据工作队和理论计算机科学技术委员会的成员。