【IJCAI 2019】自适应影响最大化（Adaptive Influence Maximization），Bogdan Cautis，Silviu Maniu，Nikolaos Tziortziotis

主题： Adaptive Influence Maximization

简介：

在当今的网络生态系统中，信息扩散和社会影响越来越多。对于所有在网络上做广告的参与者(媒体公司、政党、公司等)来说，拥有优化社交媒体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，因此影响估计和影响最大化成为重要的研究问题，导致了方法的过剩。然而，这些方法中的大多数是非自适应的，因此不适用于可能在多个回合中运行和观察影响活动的场景，也不适用于不能假定对扩散网络和其中的信息传播方式具有充分知识的场景。

在本教程中，我们打算介绍自适应影响最大化的最新研究，旨在解决这些限制。这可以被视为一种特殊情况下的影响最大化问题(种子在社会图选择最大化信息传播),一个决策作为影响运动的展开,在多个回合,知识图拓扑结构和影响过程甚至可能部分或完全缺失。这种设置，取决于基本的假设，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最相关的研究，按照几个关键维度进行组织，讨论这些方法的优点和缺点，以及开放式研究问题及其实施的实际方面。

邀请嘉宾：

Bogdan Cautis，法国巴黎大学计算机科学系教授，2013年9月至今。在此之前，他是巴黎电信ParisTech的副教授(2007-2013)。2007年，他获得了法国巴黎大学的博士学位。他目前的研究兴趣是数据管理和数据挖掘的广泛领域，特别是社会网络和信息扩散。

Silviu Maniu，法国巴黎大学计算机科学系副教授，2015年9月至今。在此之前，他曾任华为诺亚方舟实验室研究员(2014-2015)。2012年，他获得了ParisTech电信公司的博士学位。他的研究兴趣主要集中在图形数据挖掘的一般领域，侧重于处理不确定性的模型和算法。

Nikolaos Tziortziotis是法国巴黎Tradelab项目平台的数据科学家研发人员。在此之前，他是法国巴黎南部大学计算机科学系的博士后研究员(2018年11月至12月)。他也是法国巴黎理工学院计算机科学实验室(LIX)的博士后研究员(2015-2018)。他获得了希腊约阿尼纳大学计算机科学与工程系的博士学位。他的研究兴趣跨越了机器学习和数据挖掘的广泛领域，主要集中在强化学习、贝叶斯学习、影响最大化和实时竞价。