跳转至

论文

项目指南：动态影响力最大化（精简版）

本指南汇总项目背景、当前核心框架、主要不足，以及面向动态影响力最大化的可行优化清单与路线图，便于快速理解与实施。

背景与目标

  • 目标：在演化网络中选择规模为 (k) 的种子集合，最大化独立级联（IC）等扩散过程的期望覆盖。
  • 当前核心：
  • 快照：自适应时间窗口聚合事件形成动态图快照（支持时间衰减边权）；
  • 标签：基于动态IFC分数生成"是否为种子"的二分类标签；
  • 模型：GraphSAGE（结构）+ 增强BiLSTM（时间注意力）预测候选种子；
  • 选种：支持greedy/CELF/CELF++算法完成影响力最大化。

现有框架（概览）

  • 数据处理：自适应窗口聚合 → 时间衰减边权 → 动态IFC标签（9个特征，含4个动态特征）；
  • 模型与训练：models/gnn_bilstm_model.py（GNN+增强BiLSTM+时间注意力），支持排序损失训练；
  • 推理与选种：候选打分 → 多算法选取 (k) 个节点；
  • 主要脚本：main.py（训练/IM）、trainer/model_trainer.py、data/（快照与标签）。

主要不足

  • 动态IFC启发式标签噪声较大，偏离真实边际增益；
  • 仅二分类，未直接优化排序/覆盖；
  • 推理端贪心计算成本高，未利用学习信号加速。

可行优化清单

  • ~~时间与快照构建✅~~
  • ~~自适应/重叠窗口（按事件密度调整；stride < window）；~~
  • ~~时间衰减边权（(w=\exp(-(t_{now}-t)/\tau))）与加权结构特征；~~
  • ~~时间结构特征：时间模体、活动节律、演化社区特征。~~
  • ~~标签与监督 ✅~~
  • ~~动态IFC：跨快照平滑 + 新邻居率 + IFC波动特征；~~
  • ~~排序学习：pairwise/listwise 损失，优化 NDCG@k/Recall@k；~~

  • 稀疏正类：Focal Loss/PU 学习；近似 Shapley 构造高置信样本。

  • 模型结构 ✅

  • ~~时间注意力：多头自注意力 + 位置编码 + 特征融合；~~
  • ~~增强BiLSTM：集成注意力机制，适配9个特征（含4个动态特征）；~~
  • 多任务：二分类 + 边际增益回归 + 社区覆盖，动态损失加权；

  • 自监督预训练：Node2Vec/GraphSAGE 预训练与时间对比。

  • 目标与正则 ✅

  • ~~排序损失（pairwise logistic，top-k正负对）+ 分类损失；~~
  • 多样性正则：社区覆盖、冗余惩罚；

  • 置信度校准：温度缩放/深度集成/MC Dropout，并联动仿真触发阈值。

  • 影响力最大化算法层 ✅

  • ~~贪心加速：CELF/CELF++ 懒惰评估、并行与增量缓存；~~
  • ~~边权传播：支持边权缩放传播概率；~~
  • ~~两阶段：模型筛选 top-p% → 在候选上运行贪心/IMM；~~

  • 增量 IM：跨时间窗复用候选与边际增益缓存。

  • 在线/自适应

  • 经验回放与小步微调，漂移检测触发再训练；

  • Bandit/RL 逐步选种，以近似覆盖为奖励，结合模型打分先验。

  • 工程与可扩展性

  • 仿真/采样并行与分布式，必要时 C++/CUDA 加速；
  • 训练推理优化：邻居采样、AMP/bfloat16、预计算与缓存；

  • 统一配置与复现：Hydra/OMEGACONF，固定随机种与完善日志。

  • 评估协议

  • 滚动评测（rolling-origin，训练区间 [t−W, t) → t 时刻评测）；
  • 指标：spread@k、NDCG@k、regret@k、运行时、加速比、校准误差。

路线图（里程碑）

  • 阶段一（1–2 周）✅
  • 自适应/重叠窗口 + 时间衰减边；
  • 排序损失 + CELF++ 贪心；
  • 时间注意力 + 动态特征；

  • 规范评估与日志。

  • 阶段二（2–3 周）

  • 集成 TGN/TGAT；
  • 两阶段选种（筛选 → 贪心/IMM）；

  • 蒸馏教师软标签（少量高质量仿真）。

  • 阶段三（2–3 周）

  • RR 集（IMM/TIM+）与偏置采样；
  • 多任务（二分类 + 边际增益回归）；

  • 不确定性驱动主动仿真。

  • 阶段四（2 周）

  • 在线增量与漂移应对；
  • 工程化加速（分布式 RR、AMP、缓存）；
  • 完成消融与报告。

关键目录（简版）

  • main.py：入口（训练/影响力最大化）；
  • models/gnn_bilstm_model.py：GNN+增强BiLSTM+时间注意力模型；
  • trainer/model_trainer.py：训练与评估（支持排序损失）；
  • data/：动态图生成、快照与标签（9个特征）；
  • results/：结果与可视化。

使用示例

  • 快照生成（自适应+时间衰减）
python data/snapshots_create-tw.py --data ./data/CollegeMsg.txt --adaptive --target_events 500 --min_days 1 --max_days 30 --decay_tau_days 7 --aggregation_mode weighted
  • 训练（时间注意力+排序损失+优化Adam）
python main.py --mode train \
  --data_dir data/processed_data/CollegeMsg_snapshots_lables \
  --batch_size 4 --temporal_window 4 \
  --use_temporal_attention --num_attention_heads 4 \
  --ranking_loss_weight 0.5 --ranking_topk 100 \
  --optimizer adamw --learning_rate 0.001 \
  --use_lr_scheduler --scheduler_patience 10 \
  --num_epochs 300 --patience 30
  • 影响力最大化（CELF++ + 边权传播）
python main.py --mode influence_max \
  --k 5 --data_dir data/processed_data/CollegeMsg_snapshots_lables \
  --model_path results/.../best_model.pth --temporal_window 4 \
  --im_algo celfpp --use_edge_weight \
  --propagation_prob 0.5 --monte_carlo_sims 100
  • 传统影响力最大化实验
python results/traditional_im_experiment.py \
  --data_dir data/processed_data/CollegeMsg_snapshots_lables \
  --algorithm celfpp --k 5 \
  --propagation_prob 0.5 --monte_carlo_sims 100 \
  --use_edge_weight --output_dir results

新增功能亮点

  • 增强优化器: 支持Adam/AdamW/SGD，可调参数，学习率调度
  • 传统IM实验: 独立脚本，支持多算法对比，完整结果保存
  • 训练可视化: 6图布局，包含学习率曲线和训练总结
  • 实验脚本: run_experiments.sh 提供完整实验流程示例