基于图神经网络的社交网络影响力最大化结题报告.docVIP

基于图神经网络的社交网络影响力最大化结题报告

一、研究背景与问题提出

在Web2.0时代，社交网络已成为信息传播、舆论形成和群体行为演化的核心载体。从微博、微信等大众社交平台，到GitHub、ResearchGate等专业学术社区，社交网络通过节点（用户）与边（关系）的拓扑结构，构建了复杂的信息传播生态。据Statista2025年数据显示，全球社交网络用户规模已突破50亿，占总人口的63%，信息在社交网络中的传播速度可达传统媒体的10-100倍。这种传播特性既为商业营销、公共卫生宣传等领域带来机遇，也使得虚假信息、网络谣言的扩散风险呈指数级增长。

影响力最大化问题（InfluenceMaximization,IM）作为社交网络分析的核心议题，旨在从网络中识别出一组初始节点，使得通过特定传播模型（如独立级联模型IC、线性阈值模型LT），最终能影响到的网络节点数量最大化。这一问题最早由Kempe等人于2003年提出，其理论基础可追溯至病毒营销（ViralMarketing）概念——企业通过识别社交网络中的“意见领袖”，精准投放资源以实现营销效果最大化。然而，传统IM研究面临三大核心挑战：

计算复杂性：在一般图结构中，IM问题已被证明是NP难问题，当网络规模达到百万级节点时，传统贪心算法的时间复杂度呈指数级增长；

传播模型假设偏差：经典IC/LT模型假设节点间的传播概率固定且