研究论文

在线影响力营销算法

作者:

保罗拉格雷,

奥利维尔卡佩,

博格丹考蒂斯、和

西尔维乌马尼乌作者信息和声明

ACM数据知识发现事务（TKDD）,体积13,问题1

文章编号：3，页数1-30

https://doi.org/10.1145/3274670

出版:2018年12月19日出版历史

获取访问权限

摘要

影响最大化是指在图中找到有影响力的用户或节点，从而使信息传播最大化的问题。它在社交网络广告和营销中有许多应用。在本文中，我们研究了影响最大化的一个高度通用的版本，它是通过从一组有影响力的人是节点群的一小部分，假设在给定活动中，先前激活的节点保持持续活动。这个问题与一种重要的在线营销形式特别相关，即影响力营销其中，营销人员的目标群体是有影响力的人群，而不是潜在买家的整个群体。重要的是，我们对基础扩散模型没有任何假设，并且我们的工作环境既没有扩散网络，也没有历史激活数据。我们称之为这个问题具有持久性的网络影响力营销（简而言之，OIMP）。我们首先讨论激励场景并介绍我们的一般方法。我们引入了一个关于影响者剩余电位–给定影响者仍然可以访问的预期节点数–并证明其快速估计期望值的能力，这取决于从推特收集的真实数据。然后，我们描述了一种新的算法，GT-UCB，它依赖于剩余势能的概率置信上限。我们表明，我们的方法可以在模拟数据集和实际数据集上实现高质量的价差。重要的是，它比最先进的影响最大化方法快了几个数量级，使得处理大规模在线场景成为可能。

工具书类

[1]

D.Brown和N.Hayes（编辑）。2008年，影响力营销。巴特沃斯·海尼曼，牛津。

[2]

A.Arora、S.Galhotra和S.Ranu。2017年，揭穿影响最大化的神话：一项深入的基准研究。在SIGMOD中。ACM公司。

数字图书馆

[3]

N.Barbieri、F.Bonchi和G.Manco。2013.主题软件社会影响传播模型。知识与信息系统37，3（2013），555--584。

[4]

N.Barbieri、F.Bonchi和G.Manco。2017.基于影响力的网络友好社区检测的有效方法。ACM智能系统和技术交易8，2（2017）。

数字图书馆

[5]

D.Berend和A.Kontorovich。2013年，《关于失踪物质的集中》，《概率电子通信》第18期（2003年），第3条，第7页。

[6]

S.Boucheron、G.Lugosi、P.Massart和M.Ledoux。2013年，《集中不等式：非渐进独立理论》。牛津大学出版社。

[7]

D.Brown和S.Fiorella。2013.影响力营销：如何在社交媒体营销中创建、管理和衡量品牌影响力者。查询。

[8]

S.Bubeck和N.Cesa-Bianchi。2012.随机和非随机多武器盗贼问题的遗憾分析。基金会8 ML趋势5，1（2012），1-122。

[9]

S.Bubeck、D.Ernst和A.Garivier。2013年，采用概率专家建议的最佳发现：有限时间分析和宏观优化。《机器学习研究杂志》14，1（2013），601--623。

数字图书馆

[10]

W.Chen、T.Lin、Z.Tan、M.Zhao和X.Zhou。2016年，稳健影响最大化。在SIGKDD中。795--804.

数字图书馆

[11]

W.Chen、Y.Wang、Y.Yuan和Q.Wang。2016.组合式多武器强盗及其对概率触发武器的扩展。《机器学习研究杂志》17，1（2016），1746--1778

数字图书馆

[12]

N.Du、L.Song、H.Woo和H.Zha。2013年，发现主题敏感信息传播网络。在AISTATS中。229--237.

[13]

D.Easley和J.Kleinberg，2010年。网络、人群和市场——关于高度互联世界的推理。剑桥大学出版社。

数字图书馆

[14]

P.吉林。2007年，《新影响者：新社交媒体营销指南》。Quill Driver Books，加利福尼亚州桑格。

数字图书馆

[15]

M.Gomez-Rodriguez、D.Balduzzi和B.Schölkopf。2011.揭示扩散网络的时间动态。在ICML中。561--568.

数字图书馆

[16]

M.Gomez-Rodriguez、J.Leskovec和A.Krause。2012.推断扩散和影响网络。ACM《从数据中发现知识的交易》5，4（2012年2月），第21条。

数字图书馆

[17]

M.Gomez-Rodriguez、J.Leskovec和B.Schölkopf。2013年，在线媒体信息通道的结构和动态。在WSDM中。23--32.

数字图书馆

[18]

I.J.很好。1953.物种的种群频率和种群参数的估计。《生物特征》40，3-4（1953），237。

[19]

A.Goyal、F.Bonchi和L.Lakshmanan。2010.社交网络中的学习影响概率。在WSDM中。241--250.

数字图书馆

[20]

P.Grabowicz、N.Ganguly和K.Gummadi。2016年，区分社交媒体中的主题和非主题信息传播机制。在ICWSM中。151--160.

[21]

X.他和D.Kempe。2016年，稳健影响最大化。在SIGKDD中。885--894.

数字图书馆

[22]

D.Kempe、J.Kleinberg和E。塔尔多斯。2003年。通过社交网络最大限度地扩大影响力。SIGKDD。美国医学会，137--146。

数字图书馆

[23]

P.Lagrée、O.Cappé、B.Cautis和S.Maniu。2017年，有效实现大规模在线影响力最大化。在ICDM中。

[24]

K.Lee。2017年。影响力营销2.0：2017年的主要趋势。检索自https://influence.bloglovin.com/influenger-marketing-2-0-key-trends-in-2017-a5fb97424cd。

[25]

S.Lei、S.Maniu、L.Mo、R.Cheng和P.Senellart。2015年，在线影响力最大化。在SIGKDD中。

数字图书馆

[26]

N.Levine、K.Crammer和S.Mannor。2017.腐烂的强盗。以NIPS为单位。

数字图书馆

[27]

J.Louödec、L.Rossi、M.Chevalier、A.Garivier和J.Mothe。2016年，《盗贼与过时算法：联合国建议》。在第18届法国自动学徒会议上。

[28]

D.McAllester和L.Ortiz。2003.缺失质量和直方图规则错误的浓度不等。机器学习研究杂志4（2003），895-911。

数字图书馆

[29]

D.McAllester和R.Schapire。2000.关于良好估计的收敛速度。在COLT中。1--6.

数字图书馆

[30]

Q.Mei、J.Guo和D.Radev。2010年，DivRank：信息网络中声望和多样性的相互作用。在SIGKDD中。

数字图书馆

[31]

H.T.Nguyen、M.T.Thai和T.N.Dinh。2016.停滞不前：十亿规模网络中病毒营销的最佳采样算法。在SIGMOD中。

数字图书馆

[32]

N.Ohsaka、T.Akiba、Y.Yoshida和K.Kawarabayashi。2014.使用修剪蒙特卡罗模拟快速准确地实现大型网络的影响最大化。在AAAI。

数字图书馆

[33]

D.Romero、B.Meeder和J.Kleinberg，2011年。不同主题之间信息传播机制的差异：成语、政治标签和推特上的复杂传播。在WWW.695--704中。

数字图书馆

[34]

Y.Rong、Q.Zhu和H.Cheng。2016年。通过事件级联推断扩散网络的无模型方法。在CIKM中。

数字图书馆

[35]

K.Saito、R.Nakano和M.Kimura。2008.独立级联模型的信息扩散概率预测。在KES中。67--75.

数字图书馆

[36]

C.斯莱滕。2017.如何为影响者疲劳做好品牌准备。检索自https://www.forbes.com/sites/onmarketing/2017/01/24/how-to-repare-brands-for-influster-fatigue。

[37]

唐寅、石寅和X.Xiao。2015.近线性时间内影响最大化：鞅方法。在SIGMOD中。1539--1554.

数字图书馆

[38]

Y.Tang、X.Xiao和Y.Shi。2014.影响力最大化：接近最优的时间复杂性满足实际效率。在SIGMOD中。75--86.

数字图书馆

[39]

S.Vaswani、B.Kveton、Z.Wen、M.Ghavamzadeh、L.Lakshmanan和M.Schmidt。2017年，扩散独立的半强盗影响最大化。在ICML中。

[40]

S.Wang、X.Hu、P.Yu和Z.Li.2014。MMRate：用多模式级联推断多spect扩散网络。在SIGKDD中。1246--1255.

数字图书馆

[41]

D.瓦茨。2003.六个学位：互联时代的科学。W.W.Norton，纽约州。

[42]

D.Watts和P.Dodds。2007年。影响力、网络和舆论形成。《消费者研究杂志》34，4（2007），441--458。

[43]

Z.Wen、B.Kveton、M.Valko和S.Vaswani。2017.具有半强盗反馈的独立级联模型下的在线影响力最大化。以NIPS为单位。

数字图书馆

引用人

提奥查里迪斯K卡拉斯PM型风疹Skiadopoulos S公司劳·H(2024)通过在线学习排名实现自适应内容软件影响最大化ACM数据知识发现事务10.1145/365198718:6(1-35)在线发布日期：2024年4月12日
https://dl.acm.org/doi/10.1145/3651987
Alipour公司加法里M扎尔H(2024)影响力营销研究：识别影响力营销威胁的系统文献综述管理评审季度2007年10月17日/11301-024-00412-5在线发布日期：2024年3月5日
https://doi.org/10.1007/s11301-024-00412-5
太阳C王Z鲁伊XYu P公司太阳L(2023)深入研究社交网络中的关键节点智能数据分析10.3233/IDA-22701827:6(1811-1838)在线发布日期：2023年11月20日
https://doi.org/10.3233/IDA-227018
显示更多引用者

索引术语

在线影响力营销算法
1. 计算方法
  1. 机器学习
    1. 学习范式
      1. 强化学习
        顺序决策
2. 信息系统
  1. 万维网
    1. 在线广告
      1. 社交广告

建议

影响营销的多模式事后关注分析
WWW’20：2020年网络会议记录

近年来，影响力营销已成为品牌的一种关键营销方法。因此，品牌越来越多地利用影响力者的社交网络进入利基市场，研究人员一直在研究影响力者的各个方面。。。
阅读更多信息
好的KPI，好的影响者？：评估社交媒体影响者的成功指标
SMSociety’18：第九届社交媒体与社会国际会议论文集

如何衡量社交媒体传播的影响是社交媒体研究中的一个突出主题，例如，就内容的病毒性或个人对他人的影响而言。虽然这对许多人来说很有趣。。。
阅读更多信息
检测社交影响力营销中的互动机器人
社会情報学
摘要
影响者欺诈会严重损害真正的影响者和公司，已成为对影响者营销行业产生负面影响的最重要问题之一。欺诈性影响者在……上获得虚假约定。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

从数据中发现知识的封面图像ACM事务

ACM数据知识发现事务第13卷第1期

2019年2月

340页

国际标准编号：1556-4681

EISSN公司：1556-472倍

内政部：10.1145/3301280

编辑：
查鲁·阿加瓦尔
IBM T.J.Watson Research，美国
,
吴新东
美国路易斯安那大学拉斐特分校

版权所有©2018 ACM。

如果复制品不是为了盈利或商业利益而制作或分发的，并且复制品的第一页载有本通知和完整引文，则允许免费制作本作品的全部或部分数字或硬拷贝以供个人或课堂使用。必须尊重作者以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布，在服务器上发布或重新发布到列表，需要事先获得特定许可和/或付费。从请求权限[电子邮件保护].

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2018年12月19日

认可的：2018年8月1日

修订过的：2018年7月1日

收到：2017年10月1日

在TKDD中发布体积13,问题1

权限

请求对此文章的权限。

检查更新

作者标记

限定符

研究文章
研究
推荐

资金来源

法国研究项目ALICIA

贡献者

其他指标

查看文章度量

文献计量学和引文

文献计量学

文章指标

19
引文总数
查看引文
3,137
总下载次数

下载次数（过去12个月）223
下载次数（最近6周）13

其他指标

查看作者指标

引文

引用人

提奥查里迪斯K卡拉斯PM型风疹斯基亚多普洛斯S劳·H(2024)通过在线学习排名实现自适应内容软件影响最大化ACM数据知识发现事务10.1145/365198718:6(1-35)在线发布日期：2024年4月12日
https://dl.acm.org/doi/10.1145/3651987
Alipour S公司加法里M扎尔H(2024)影响力营销研究：识别影响力营销威胁的系统文献综述管理评审季度2007年10月17日/11301-024-00412-5在线发布日期：2024年3月5日
https://doi.org/10.1007/s11301-024-00412-5
太阳C王Z鲁伊XYu P公司太阳L(2023)深入研究社交网络中的关键节点智能数据分析10.3233/IDA-22701827:6(1811-1838)在线发布日期：2023年11月20日
https://doi.org/10.3233/IDA-227018
王毅(2022)基于深度信任网络模型的营销管理大数据挖掘方法国际电路、系统和信号处理杂志10.46300/9106.2022.16.7216(578-584)在线发布日期：2022年1月10日
https://doi.org/10.46300/9106.2022.16.72
卡里尼奇武吉奇M(2022)社交媒体分析数字通信、物联网和文化旅游未来研究手册10.4018/978-1-7998-8528-3.ch021(385-410)在线发布日期：2022年
https://doi.org/10.4018/978-1-7998-8528-3.ch021
Hai犹太人S(2022)虚拟自我展示以产生远程社会影响社交网络上的实际对等教学10.4018/978-1-7998-6496-7.ch013(407-461)在线发布日期：2022年
https://doi.org/10.4018/978-1-7998-6496-7.ch013
达格丹多尔吉A纳姆斯莱B(2022)使用线性规划和机器学习方法有效规划和选择媒体广告新闻理论与实践问题10.17150/2308-6203.2022.11(1).144-15711:1(144-157)在线发布日期：2022年4月6日
https://doi.org/10.17150/2308-6203.2022.11(1).144-157
赵H吕F罗伊(2022)大数据环境下基于多模型融合和人工智能的网络营销效果研究安全和通信网络10.1155/2022/15165432022在线发布日期：2022年1月1日
https://dl.acm.org/doi/10.1155/2022/1516543
提奥查里迪斯KM型风疹Skiadopoulos S公司卡拉斯P阿米戈·E卡斯特尔斯P冈萨罗J卡特雷特B辣椒JKazai G公司(2022)一种获取用户的内容推荐策略第45届国际ACM SIGIR信息检索研究与开发会议记录10.1145/3477495.3531885(2501-2506)在线发布日期：2022年7月6日
https://dl.acm.org/doi/10.1145/3477495.3531885
Panagopoulos G公司Malliaros F公司Vazirgianis M公司(2022)影响估计和最大化的多任务学习IEEE知识与数据工程汇刊10.1109/TKDE.2020.3040028号34:9(4398-4409)在线发布日期：2022年9月1日
https://doi.org/10.109/TKDE.2020.3040028
显示更多引用者

视图选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此文章

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

HTML格式格式

在中查看本文HTML格式格式。

媒体

数字

其他

桌子

查看问题目录