摘要
https://snap.stanford.edu/data/。 谷歌学者 
http://research.microsoft.com/en-us/people/wic/graphdata.zip。 谷歌学者 http://an.kaist.ac.kr/traces/WWW2010.html。 谷歌学者 S.Bharathi、D.Kempe和M.Salek。 社交网络中的竞争影响力最大化。 《葡萄酒》，第306--311页，2007年。 谷歌学者 数字图书馆 
C.Borgs、M.Brautbar、J.Chayes和B.Lucier。 在几乎最佳的时间内最大化社会影响。 在SODA中，第946-957页，2014年。 谷歌学者 数字图书馆 W.Chen、W.Lu和N.Zhang。 具有时滞扩散过程的社会网络中的时间临界影响最大化。 AAAI，2012年。 谷歌学者 数字图书馆 W.Chen、C.Wang和Y.Wang。 大规模社交网络中流行病毒营销的可扩展影响最大化。 在KDD中，第1029--1038页，2010年。 谷歌学者 数字图书馆 W.Chen、Y.Wang和S.Yang。 社交网络中的有效影响力最大化。 在KDD中，第199-208页，2009年。 谷歌学者 数字图书馆 W.Chen、Y.Yuan和L.Zhang。 线性阈值模型下社交网络中的可缩放影响最大化。 在ICDM中，第88-97页，2010年。 谷歌学者 数字图书馆 F.R.K.Chung和L.Lu。集中不等式和鞅不等式：一项调查。 网络数学，3（1）：79-1272006。 谷歌学者 交叉引用 
E.科恩。 规模估计框架，具有传递闭包和可达性应用程序。 J.计算。 系统。 科学。， 55(3):441--453, 1997. 谷歌学者 数字图书馆 L.德夫罗伊。 非均匀随机变分生成。 施普林格·弗拉格，美国纽约州纽约市，1986年。 谷歌学者 交叉引用 E.W.迪克斯特拉。 关于图的两个问题的注记。 《数值数学》，1:269-2711959年。 谷歌学者 数字图书馆 P.Domingos和M.Richardson。 挖掘客户的网络价值。 在KDD中，第57-66页，2001年。 谷歌学者 数字图书馆 N.Du、L.Song、M.Gomez-Rodriguez和H.Zha。 连续时间扩散网络中的可缩放影响估计。 在NIPS中，第3147-3155页，2013年。 谷歌学者 数字图书馆 M.Gomez-Rodriguez、D.Balduzzi和B.Schölkopf。 揭示扩散网络的时间动态。 在ICML中，第561-5682011页。 谷歌学者 M.Gomez-Rodriguez、J.Leskovec和B.Schölkopf。 用生存理论建模信息传播。 在ICML中，第666--674页，2013年。 谷歌学者 M.Gomez-Rodriguez和B.Schölkopf。 连续时间扩散网络中的影响最大化。 ICML，2012年。 谷歌学者 数字图书馆 A.Goyal、F.Bonchi和L.V.S.Lakshmanan。 基于数据的社会影响最大化方法。 PVLDB，5（1）：73-842011年。 谷歌学者 数字图书馆 A.Goyal、W.Lu和L.V.S.Lakshmanan。 Celf++：优化社交网络中影响最大化的贪婪算法。 在WWW上，第47-48页，2011年。 谷歌学者 数字图书馆 A.Goyal、W.Lu和L.V.S.Lakshmanan。 Simpath：线性阈值模型下影响最大化的有效算法。 在ICDM中，第211-220页，2011年。 谷歌学者 数字图书馆 E.M.J.Goldenberg，B.Libai。 谈论网络：一个复杂的系统着眼于口碑传播的潜在过程。 《营销快报》，12（3）：211-2232001年。 谷歌学者 交叉引用 E.M.J.Goldenberg，B.Libai。 利用复杂系统分析推进营销理论的发展。 《美国社会学杂志》，2001年9月1日。 谷歌学者 K.Jung、W.Heo和W.Chen。 Irie：社交网络中可扩展且强大的影响力最大化。 在ICDM中，第918-923页，2012年。 谷歌学者 数字图书馆 D.Kempe、J.M.Kleinberg和。 柏油路。 通过社交网络最大化传播影响力。KDD，第137-146页，2003年。 谷歌学者 数字图书馆 D.Kempe、J.M.Kleinberg和。 塔尔多斯。 社交网络扩散模型中的影响节点。 在ICALP中，第1127--1138页，2005年。 谷歌学者 数字图书馆 J.Kim、S.-K.Kim和H.Yu。 大规模社交网络影响力最大化的可扩展和并行处理。 在ICDE中，第266--277页，2013年。 谷歌学者 数字图书馆 J.F.Lawless。 终身数据的统计模型和方法。 Wiley Interscience，2002年。 谷歌学者 交叉引用 J.Leskovec、A.Krause、C.Guestrin、C.Faloutsos、J.VanBriesen和N.Glance。 网络中具有成本效益的疫情检测。 在KDD中，第420-429页，2007年。 谷歌学者 数字图书馆 B.Liu、G.Cong、D.Xu和Y.Zeng。 社交网络中受时间限制的影响最大化。 在ICDM中，第439-448页，2012年。 谷歌学者 数字图书馆 M.Richardson和P.Domingos。 挖掘知识共享网站进行病毒式营销。 在KDD中，第61-70页，2002年。 谷歌学者 数字图书馆 L.Seeman和Y.Singer。 社交网络中的自适应播种。 在FOCS中，第459-468页，2013年。 谷歌学者 数字图书馆 Y.Tang、X.Xiao和Y.Shi。 影响最大化：接近最佳的时间复杂度满足实际效率。 在SIGMOD中，第75-86页，2014年。 谷歌学者 数字图书馆 V.V.瓦齐拉尼。 近似算法。 斯普林格2002。 谷歌学者 沃斯医学博士。 生成具有给定分布的随机数的线性算法。 IEEE传输。 软件工程，17（9）：972--9751991。 谷歌学者 数字图书馆 C.Wang、W.Chen和Y.Wang。 大规模社交网络中独立级联模型的可扩展影响最大化。 数据最小知识。 发现。， 25(3):545--576, 2012. 谷歌学者 交叉引用 Y.Wang、G.Cong、G.Song和K.Xie。 基于社区的贪婪算法，用于挖掘移动社交网络中前k个有影响力的节点。 在KDD中，第1039--1048页，2010年。 谷歌学者 数字图书馆 D.威廉姆斯。 鞅概率。 剑桥大学出版社，1991年。 谷歌学者 交叉引用
建议
影响最大化的在线处理算法 SIGMOD’18：2018年国际数据管理会议记录 影响力最大化是一个经典且被广泛研究的问题，在病毒营销中有着重要的应用。 然而，现有的影响力最大化算法大多集中在离线处理上，因为它们没有提供任何。。。 影响最大化：接近最佳的时间复杂度满足实际效率 2014年ACM SIGMOD国际数据管理会议记录 给定社交网络 G公司 和常量$k$ 影响最大化 问题要求 k个 中的节点 G公司 这（直接和间接）影响了预定义扩散模型下的最大节点数。 这个问题在……中有重要的应用。。。 连续时间扩散网络中的影响估计与最大化 如果一条信息从一组媒体网站发布，它能在一个月内传播到一百万个网页吗？ 我们能否在数百万个媒体网站中高效地找到一小部分，在1个月内最大限度地传播信息？ 这两个。。。
