导语

在AI快速发展的当下，AI不仅深刻影响着信息传播的方式，也为传播学研究带来了全新视角和方法。基于此，集智俱乐部联合北京师范大学许小可教授、浙江大学张子柯教授、南京大学王成军教授、深圳大学廖好副教授共同发起“AI×传播”读书会，从计算叙事、智能传播、人机传播与传播仿真四个板块向来共同探索AI与传播的前沿交叉，来深度理解传播机制和传播生态。

9月27日（周六）10:00将开启读书会第六期，由深圳大学计算机与软件学院副教授周明洋分享“社交网络中传播影响力最大化问题研究”主题，本次分享围绕传播影响力最大化问题展开，首先介绍其形式化建模与经典贪心算法在NP-hard问题中的性能保证。随后，探讨从个人到群体目标的变型研究，包括面向团购客户和群组激活的优化方法。最后，重点展示图神经网络与强化学习等新兴模型在关键节点选择上的突破，如何在效率与效果上超越传统方法。

分享简介

在当今信息爆炸的社交网络中，如何找到关键的传播者，能够用最小的成本进行病毒式广告营销或是推动一次舆论传播？这就是网络科学研究中的一个核心难题——传播影响力最大化问题。本次读书会分享将从经典的传播影响力最大化研究出发，理解为何经典的贪心策略能为这个NP-hard问题提供性能保证；进而探讨最新的应用研究，例如当传播目标从个人变为特定群体（团购客户），算法该如何演化与应对；最后聚焦于图神经网络与强化学习如何被巧妙地结合，在效果和效率上超越传统方法。这场读书会期待与你一同走过传播影响力最大化研究的路径，从经典理论到强化学习，把握这一领域的核心内容，掌握网络分析的未来趋势。

分享大纲

1. 传播影响力最大化问题的形式化建模和分析

2. 面向团购客户的传播影响力最大化问题变型研究

3. 深度学习和强化学习在传播关键节点问题的应用扩展

主讲人

周明洋，深圳大学计算机与软件学院副教授，博士生导师。2016年毕业于中国科学技术大学获得工学博士学位。主要研究方向为复杂网络信息传播、图数据挖掘、大模型优化。先后主持国家自然科学基金面上基金、青年基金及多个省、市项目，参与了国家重点研发计划，国家自然科学基金-广东省联合基金等国家重点项目。获得华为火花奖，CCF-华为形式化专项、腾讯犀牛鸟基金支持。相关成果发表在计算机顶会NeurIPS,WWW,IJCAI,ACL,ENMLP和Chaos、CNSNS、ACM Trans、IP&M等期刊。作为主要作者完成两本编著《大数据计算理论基础》（2017）、《大数据计算方法基础》（2023）。

阅读清单

一、复杂网络分析与优化｜传播影响力最大化问题形式化建模和分析

1. Maximizing the Spread of Influence through a Social Network (2003)  Kempe, D., Kleinberg, J., & Tardos, É. (2003). Maximizing the Spread of Influence through a Social Network. SIGKDD ’03, Washington, DC, USA.   https://doi.org/10.1145/956750.956769 该研究将影响力最大化问题定义为离散优化问题，并证明为NP-hard问题，利用影响力函数的次模性，证明了一个简单的贪心算法能以(1-1/e)的近似率接近最优解，为影响力最大化问题的研究提供了首个高效且有理论保证的计算框架。

2. Scalable Influence Maximization for Prevalent Viral Marketing in Large-Scale Social Networks (2010)Chen, W., Wang, C., & Wang, Y. (2010). Scalable Influence Maximization for Prevalent Viral Marketing in Large-Scale Social Networks. SIGKDD ’10, Washington, DC, USA.   https://doi.org/10.1145/1835804.1835934 该研究提出MIA/PMIA启发式算法，通过构建局部影响树将该问题计算复杂度降低数个数量级，解决了大规模网络中的可扩展性难题，同时实现了性能的大幅提升。

3. Popularity Ratio Maximization: Surpassing Competitors through Influence Propagation (2023) Liao, H., Bi, S., et al. (2023). Popularity Ratio Maximization: Surpassing Competitors through Influence Propagation. SIGMOD ’23, Seattle, WA, USA. https://doi.org/10.1145/3589309  该研究提出了PA-IC模型，整合偏好连接（PA）模型与独立级联（IC）模型，并针对流行度比率最大化（PRM）问题，为新手项目在动态竞争环境中制定最优的多轮次推广策略，提供了首个兼具理论分析和高效计算的框架。

二、复杂网络分析与优化｜面向团购客户的传播影响力最大化问题变型研究

4. Motif-oriented influence maximization for viral marketing in large-scale social networks (2024)Zhou, M., Cao, W., Liao, H., & Mao, R. (2024). Motif-oriented influence maximization for viral marketing in large-scale social networks. 38th Conference on Neural Information Processing Systems (NeurIPS 2024).  该研究将影响力最大化问题从传统个体用户目标，创新性地扩展到面向团体用户的场景。由于影响力函数不具备次模性，论文建立了影响力函数的次模上、下界，并通过贪心策略同时优化上下界，解决了面向团体用户的传播影响力最大化问题。

5. Group Influence Maximization Problem in Social Networks (2019). Zhu, J., Ghosh, S., & Wu, W. (2019). Group Influence Maximization Problem in Social Networks. IEEE Transactions on Computational Social Systems, 6(6), 1156-1168. https://doi.org/10.1109/TCSS.2019.2938575 本文研究了社交网络中的群体影响力最大化（GIM）问题，其目标不再是最大化激活的个体用户数，而是最大化被激活的群组数量。通过构造具有次模性的上界和下界函数来逼近原问题，并提出了GCMA算法，为解决非次模影响力优化问题提供了理论支撑。

三、复杂网络分析与优化｜深度学习和强化学习在传播关键节点问题的应用扩展

6. Deep graph representation learning and optimization for influence maximization (2023)Ling, C., Jiang, J., Wang, J., Thai, M., Xue, L., Song, J., Qiu, M., & Zhao, L. (2023). Deep graph representation learning and optimization for influence maximization. In Proceedings of the 40th International Conference on Machine Learning (ICML). https://proceedings.mlr.press/v202/ling23b/ling23b.pdf 本文通过自编码器将种子集选择问题映射到低维连续的潜在空间进行优化，与经典方法依次选择传播源不同的是，该方案一次性选择多个传播源节点，解决了现有影响力最大化方法的可扩展性、模型失真与约束适应性问题。

7. Finding key players in complex networks through deep reinforcement learning(2020)Fan, C., Zeng, L., Sun, Y. & Liu, Y.-Y. Finding key players in complex networks through deep reinforcement learning. Nature Machine Intelligence 2, 317-324 (2020).  https://www.nature.com/articles/s42256-020-0177-2 本文构建了一个强化学习模型，该模型将影响力最大化问题构建为马尔可夫决策过程，并能适配到多种关键节点选择问题，通过在小网络上进行离线训练，对大规模复杂网络进行在线推理，在效率和准确度上达到了很好的平衡。

8. Deep-learning-aided dismantling of interdependent networks. (2025)Gu, W., Yang, C., Li, L., Hou, J., & Radicchi, F. (2025). Deep-learning-aided dismantling of interdependent networks. Nature Machine Intelligence(2025). https://www.nature.com/articles/s42256-025-01070-2 本文首次实现多层网络表示学习与深度强化学习的结合，用于解决多层相互依赖网络的拆解问题，其泛化能力和性能在疾病控制、基础设施保护等实际应用中得到验证，可用于传播中的关键节点选择问题。

参与方式

参与时间：2025年9月27日（周六）10:00-12:00 北京时间

报名加入社群交流

扫码报名（可开发票）

报名链接：https://pattern.swarma.org/study_group/67?from=wechat

扫码参与AI×传播读书会社区，加入群聊，获取系列读书会回看权限，加入AI×传播社区，与社区的一线科研工作者沟通交流，共同探索AI与传播的前沿交叉，来深度理解传播机制和传播生态。

视频号直播预约：

AI×传播读书会

在AI快速发展的当下，AI不仅深刻影响着信息传播的方式，也为传播学研究带来了全新视角和方法。基于此，集智俱乐部联合北京师范大学许小可教授、浙江大学张子柯教授、南京大学王成军教授、深圳大学廖好副教授共同发起“AI×传播”读书会，从计算叙事、智能传播、人机传播与传播仿真四个板块向来共同探索AI与传播的前沿交叉，来深度理解传播机制和传播生态。读书会自8月23日起，每周六10:00-12:00举行，预计持续12周。

我们将探讨如下核心问题：

1. 在人机共同参与的叙事生态中，叙事的生产、传播与接受机制发生了哪些根本性变化？

2. 在复杂社交网络环境中，如何构建智能化的信息可信度评估与虚假信息防控机制？

3. 如何运用深度学习和强化学习等智能方法，实现从个体到群体的精准化传播影响力最大化？

4. 如何构建适应人机混合传播网络特征的新型研究范式，以有效解析机器行为规律和人机协同传播机制？

5. 如何构建基于大语言模型的认知驱动型智能体仿真系统？

详情请见：当机器成为主体，传播学要如何应对？| AI×传播读书会发布