基于图神经网络的社会网络影响力最大化结题报告.docVIP

基于图神经网络的社会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向Web3.0演进的过程中，社会网络已成为信息传播、舆论演化和群体行为的核心载体。从微博热搜的发酵到电商平台的KOL带货，从新冠疫情期间的健康科普扩散到政治选举中的舆情引导，社会网络中的影响力传播呈现出前所未有的复杂性和爆发力。如何在海量节点和动态连接中精准识别关键传播者，实现影响力的最大化扩散，不仅是计算社会学的前沿科学问题，更具有极高的商业和社会价值。

传统影响力最大化研究基于经典的独立级联模型（IC）和线性阈值模型（LT），通过贪心算法、CELF启发式等方法寻找最优种子节点集合。然而，这些方法存在三大固有缺陷：其一，假设传播概率固定且独立，忽略了节点间的异质性和连接的动态演化；其二，计算复杂度随网络规模指数增长，在百万级节点的真实社交网络中难以落地；其三，无法捕捉传播过程中的非线性涌现行为，如“爆款”内容的临界点效应。

随着图神经网络（GNN）的兴起，其对图结构数据的强大表征能力为解决上述问题提供了新的思路。GNN能够通过消息传递机制自动学习节点的高阶邻居信息，将拓扑结构与节点属性融合为低维嵌入向量，从而为影响力预测和节点排序提供更精准的量化依据。本研究正是基于这一技术背景，探索GNN在社会网络影响力最大化问题中的创新应用。

二、相关研究综述

2.1传统影响力最大化方法

Kempe等人200