English(EN) SP-GCRL: Influence Maximization on Incomplete Social Graphs

新框架增强了不完整社交图上的影响力最大化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-17 04:00

研究人员推出 SP-GCRL，一个旨在解决数据不完整的社交网络中影响力最大化挑战的新框架。该系统采用一种社交传播感知的扩散函数来模拟复杂的用户交互，并使用对比学习来生成鲁棒的节点表示，即使在连接缺失的情况下也是如此。通过整合图注意力网络进行高效的代理指标计算，并采用 DDQN 进行策略学习，SP-GCRL 在真实网络上的表现显著优于现有方法。 AI

排序理由该集群包含一篇在 arXiv 上发表的研究论文，详细介绍了影响力最大化的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇在 arXiv 上发表的研究论文，详细介绍了影响力最大化的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 113 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Haohua Niu, Yuxuan Yang, Lingfeng Zhang, Hao Li, Jiao Liang, Zongfu Luo, Luca Rossi · 2026-06-17 04:00

SP-GCRL：不完整社交图上的影响力最大化

arXiv:2605.12513v2 Announce Type: replace-cross Abstract: Influence maximization (IM) in real platforms is challenged by incomplete, noisy social graphs and non-stationary diffusion dynamics. We propose SP-GCRL, a social-propagation-aware graph contrastive reinforcement learning …

本文如何被排名

报道来源 [1]

SP-GCRL：不完整社交图上的影响力最大化

相关实体

相关话题