Key points are not available for this paper at this time.
La maximisation de l'influence, définie par Kempe, Kleinberg et Tardos (2003), est le problème de trouver un petit ensemble de nœuds semences dans un réseau social qui maximise la propagation de l'influence selon certains modèles de cascade d'influence. Dans cet article, nous proposons une extension au modèle de cascade indépendante qui intègre l'émergence et la propagation d'opinions négatives. Le nouveau modèle a un paramètre explicite appelé facteur de qualité pour modéliser le comportement naturel des personnes devenant négatives envers un produit en raison de défauts. Notre modèle intègre le biais de négativité (les opinions négatives dominent généralement les opinions positives) couramment reconnu dans la littérature de psychologie sociale. Le modèle conserve certaines propriétés intéressantes telles que la sous-modularité, ce qui permet un algorithme d'approximation glouton pour maximiser l'influence positive dans un ratio de 1 – 1/e. Nous définissons un ratio de sensibilité de qualité (qs-ratio) des graphes d'influence et montrons une limite stricte sur le qs-ratio, où n est le nombre de nœuds dans le réseau et k est le nombre de semences sélectionnées, ce qui indique que la sélection de semences est sensible au facteur de qualité pour des graphes généraux. Nous concevons un algorithme efficace pour calculer l'influence dans des structures arborescentes, ce qui n'est pas trivial en raison du biais de négativité dans le modèle. Nous utilisons cet algorithme comme noyau pour construire un algorithme heuristique pour la maximisation de l'influence dans des graphes généraux. À travers des simulations, nous montrons que notre algorithme heuristique a une influence correspondante avec un algorithme d'approximation glouton standard tout en étant des ordres de grandeur plus rapide.
Chen et al. (Jeu,) ont étudié cette question.