面向异质信息网络的双通道协同聚类算法

网络聚类广泛应用于现实世界的各个领域,受到了越来越多的关注.由于保留了节点和链接关系的异质性,异质信息网络聚类相较于同质网络聚类具有更优的性能.然而,现有基于图神经网络的异质信息网络聚类忽略了节点属性以及拓扑结构对聚类的权重不同的问题.此外,这些方法仅对单一类型的目标节点聚类,而没有考虑其余类型节点的辅助作用.为此,提出了面向异质信息网络的双通道协同聚类算法(B3C),其能够有效地融合节点属性和拓扑结构,并挖掘异质节点间的潜在相关性,从而提高聚类性能.首先,设计了一个简单有效的双通道编码器以聚合拓扑结构及相似矩阵的邻域信息;接着,应用自训练聚类的同时学习异质信息网络表示以及优化聚类分配,并采用协同聚类机制,以对不同类型节点同时聚类;最后,利用三元中心损失(Triplet-Center Loss)学习具有区分度的节点表示,以凝聚相似节点,分离不相似节点.在公开数据集上进行了大量实验,验证了本文提出的双通道编码器性能相较于广泛使用的图神经网络编码器有显著提升,并且B3C精度优于现有的基于学习的异质信息网络聚类方法.

地理社交网络中基于多目标组合优化的空间感知影响力联合最大化

影响力最大化问题旨在从社交网络中寻找若干具有高影响力的用户节点(种子),以触发最大化的信息传播规模.目前绝大多数工作认为社交网络中所有用户都拥有相同的影响力推广价值.然而,在基于位置的营销活动中,影响力推广的主体通常为带有位置标签的空间对象,考虑到用户在物理世界中的移动受限问题,空间对象仅能吸引其邻近范围内的潜在用户.因此,为了最大化市场营销潜力,商家通常需要同时拥有多个营销目标,譬如,连锁店企业对旗下的多家门店进行联合推广.不同的推广内容以及不同的影响力种子选择都将对营销推广的效益产生切实的影响.鉴于此,综合考虑商家在营销过程中对推广门店位置的选择以及在线上部署影响力传播种子的策略,在地理社交网络中研究基于多目标组合优化的空间感知影响力联合推广问题.首先分析了问题的理论难度,阐明了其与传统影响力最大化问题的区别.为支持高效且准确的问题求解,根据用户推广权重的差异,拓展了现有反向影响力采样(reverse influence sampling,RIS)技术,对不同位置和种子组合下的影响力传播收益进行理论保证下的上下界评估,并基于此提出了迭代处理算法框架,在多个轮次下实现高置信度保障的近似最优求解.最后,通过多组真实数据集上的实验,证明了所研究问题能在多目标组合下有效地提升空间感知的影响力推广效果,并验证了所提出算法的良好性能.