近日，我院研究生谢明在《Information Processing & Management》上发表研究论文，研究内容为超图上的影响力最大化问题。谢明为论文第一作者，詹秀秀副教授、刘闯教授和张子柯教授为文章共同通讯作者。

 《Information Processing & Management》是图书情报及计算机领域内的顶级刊物，2022年影响因子为7.466 （中科院分区：计算机科学 一区），在SSCI索引INFORMATION SCIENCE & LIBRARY SCIENCE类别中以及SCI索引COMPUTER SCIENCE, INFORMATION SYSTEMS类别中均属Q1分区，享有很高声誉。该期刊发表计算和信息科学交叉领域的前沿原创研究，涉及理论、方法及其应用，关注的方面包括但不限于传播学、商学、医药健康、信息科学与技术和社会计算。

 影响力最大化问题是网络科学的一类重要的研究分支，其旨在识别网络中能够使最终影响力（传播延展能力）达到最大规模的一组源节点。过去有关影响力最大化问题的研究主要集中在二元关系上，缺乏对于实体间高阶关系的考量。近年来，个体间的高阶交互在许多真实系统中不断被揭示。基于此，课题组通过超图对网络中的实体间关系进行合理抽象，提出一种基于自适应度的启发式算法（HADP），该算法旨在迭代计算节点的适应度筛选具备高传播影响力的种子节点集，有效降低种子节点间的影响力冗余，从而在算法精度与效率间达到平衡。进一步，课题组从度异质性的角度挖掘了超图拓扑结构与算法有效性间的内在逻辑。

 课题组通过本研究回答并解决了如下关键性问题：1、如何建立超网络上的传播动力学机制以量化节点的影响力；2、如何在超图上设计有效的影响力最大化方法；3、普通网络中的推广算法在超图上是否仍具适用性；4、如何从微观角度研究超网络拓扑结构对影响力最大化问题的影响。上述关键问题的解决也为探索该算法的实际效用和适用场景提供理论支持。

图1 超图及其传播动力学过程

图2 超图中节点度与超度的微观分析与相关性揭示

图3 算法效果与超图拓扑结构间的契合关系

论文网址：

    https://www.sciencedirect.com/science/article/pii/S030645732200262X?dgcid=author