张 萌，李维华

（云南大学信息学院，昆明 650504）

0 引言

随着网络技术的不断发展，越来越多的人们在获得即时信息的同时也因互联网成为了信息传播的主体，一些学者利用Instagram、微博、Facebook 和Twitter等社交平台用户间信息扩散的优势，挖掘社交网络用户潜在的商业价值。影响力最大化问题作为数据分析下的新兴领域，利用“口碑效应”在病毒营销、广告发布和政府监管等方面有着良好的应用前景。例如，品牌方有一批新产品待推广，他们首先要在社交网络中选择最佳的用户群体进行产品投放，通过这些种子用户的宣传，让尽可能多的人们购买和使用该产品，这就是影响力最大化在商业推广中的巧妙应用。研究影响力最大化对人们了解真实的网络信息具有非常重要的意义。

影响力最大化问题最早由Domingos等［1］定义为在网络中寻找t个节点，这些节点利用自身影响力使得信息最终的传播范围最广。随后，Kempe 等［2］证明了影响力最大化问题是一个NP 难（Non-deterministic Polynomial hard）问题，并提出了两种经典的扩散模型——线性阈值（Linear Threshold，LT）模型和独立级联（Independent Cascade，IC）模型，并在此基础上结合蒙特卡洛模拟提出了贪婪算法求解影响力最大化问题。后来的研究者们运用不同的方法对影响力最大化算法进行了改进，也得到了不错的研究结果；但这些方法在计算节点间影响概率时都是依赖于人工处理好的简化网络和理想状态下的公式计算，没能真正地通过节点间的互动得出影响概率。

近年来，网络表示学习（Network Representation Learning，NRL）作为学术热点在社交网络用户行为研究中得到了广泛的运用。……