基于因果推断的图神经网络在社交网络影响力最大化中的干预效应评估研究综述.docVIP

基于因果推断的图神经网络在社交网络影响力最大化中的干预效应评估研究综述

一、社交网络影响力最大化问题的研究范式演进

社交网络影响力最大化（InfluenceMaximization,IM）的核心目标是在有限成本下选择少量种子用户，通过社交关系的连锁传播实现信息、产品或观念的最大范围扩散，这一问题自2003年被Kempe等人提出以来，始终是计算社会学、网络科学和人工智能领域的交叉研究热点。早期研究以经典传播模型为核心，独立级联模型（IC）和线性阈值模型（LT）通过预设边传播概率和节点激活阈值，将影响力最大化转化为NP-hard的组合优化问题，贪婪算法、启发式算法等传统求解方法在小规模网络中展现出良好效果，但这类模型的固有局限性也随着社交网络规模扩张逐渐暴露：一方面，模型参数高度依赖人工标注，无法适配动态变化的真实社交场景；另一方面，传播过程的强假设忽略了用户异质性、上下文干扰等现实因素，导致理论最优解在实际应用中出现显著的效果偏差。

随着深度学习技术的发展，图神经网络（GNN）凭借对图结构数据的强大表征能力，为影响力最大化研究带来了新的技术路径。GNN-based方法通过端到端学习节点的结构嵌入和传播特征，能够自动捕捉复杂的社交关系模式，在预测影响力传播范围、排序种子节点优先级等任务上的性能远超传统模型。然而这类数据驱动的方法本质上是对关联关系的拟合，无法区分社交网络中普遍存在的