Finding the set of most influential users in online social networks (OSNs) to trigger the largest influence cascade is meaningful, e.g., companies may leverage the “word-of-mouth” effect to trigger a large cascade of purchases by offering free samples/discounts to those most influential users. This task is usually modeled as an influence maximization problem, and it has been widely studied in the past decade. However, considering that users in OSNs may participate in various online activities, e.g., joining discussion groups and commenting on same pages or products, influence diffusion through online activities becomes even more significant. In this article, we study the impact of online activities by formulating social-activity networks which contain both users and online activities, and thus induce two types of weighted edges, i.e., edges between users and edges between users and activities. To address the computation challenge, we define an influence centrality via random walks, and use the Monte Carlo framework to efficiently estimate the centrality. Furthermore, we develop a greedy-based algorithm with novel optimizations to find the most influential users for node recommendation. Experiments on real-world datasets show that our approach is very computationally efficient under different influence models, and also achieves larger influence spread by considering online activities.

中文翻译：

---

关于一般设置下社会活动网络中影响力最大化的建模

在在线社交网络 (OSN) 中找到一组最具影响力的用户来触发最大的影响级联是有意义的，例如，公司可以利用“口碑”效应通过提供免费样品/折扣来触发大量购买给那些最有影响力的用户。该任务通常被建模为影响最大化问题，并且在过去十年中得到了广泛的研究。然而，考虑到 OSN 中的用户可能会参与各种在线活动，例如加入讨论组和评论相同的页面或产品，通过在线活动传播影响力变得更加重要。在本文中，我们通过构建包含用户和在线活动的社交活动网络来研究在线活动的影响，从而得出两种类型的加权边，即 用户之间的边缘以及用户和活动之间的边缘。为了解决计算挑战，我们通过随机游走定义了影响中心性，并使用蒙特卡罗框架来有效地估计中心性。此外，我们开发了一种具有新颖优化的基于贪心的算法，以找到最有影响力的用户进行节点推荐。在真实世界数据集上的实验表明，我们的方法在不同影响模型下的计算效率非常高，并且还通过考虑在线活动实现了更大的影响传播。我们开发了一种具有新颖优化的基于贪心的算法，以找到最有影响力的用户进行节点推荐。在真实世界数据集上的实验表明，我们的方法在不同影响模型下的计算效率非常高，并且还通过考虑在线活动实现了更大的影响传播。我们开发了一种具有新颖优化的基于贪心的算法，以找到最有影响力的用户进行节点推荐。在真实世界数据集上的实验表明，我们的方法在不同影响模型下的计算效率非常高，并且还通过考虑在线活动实现了更大的影响传播。