在2024年7月12日至14日，SCHOLAT團隊于內(nèi)蒙古呼和浩特參加了由中國計算機學(xué)會主辦，協(xié)同計算專業(yè)委員會和內(nèi)蒙古大學(xué)承辦的第19屆全國計算機支持的協(xié)同工作與社會計算學(xué)術(shù)會議（ChineseCSCW2024）。感謝全國計算機支持的協(xié)同工作與社會計算學(xué)術(shù)會議組織委員會的認可和支持，我非常榮幸能夠獲得本次會議的“最佳學(xué)生論文獎”，特別感謝湯庸老師和袁成哲老師的指導(dǎo)，以及各位師兄師姐和同學(xué)們的幫助。論文題目為《Adaptive DeepWalk and Prior-Enhanced Graph Neural Network for Scholar Influence Maximization in Social Networks》，以下是論文的主要內(nèi)容。

隨著學(xué)術(shù)社交媒體的快速發(fā)展，學(xué)者社交網(wǎng)絡(luò)中的節(jié)點影響力擴散問題日益受到影響力最大化（IM）領(lǐng)域的廣泛關(guān)注?，F(xiàn)有基于學(xué)習(xí)的 IM 問題求解方法通常僅依賴于網(wǎng)絡(luò)拓撲或單個節(jié)點活動，缺乏對網(wǎng)絡(luò)拓撲和節(jié)點重要信息的綜合考慮，導(dǎo)致模型性能不佳。通過綜合考慮網(wǎng)絡(luò)拓撲結(jié)構(gòu)以及節(jié)點的全局信息和重要性，我們提出了一種基于自適應(yīng) DeepWalk 算法和先驗增強圖神經(jīng)網(wǎng)絡(luò)（GNN）的深度強化學(xué)習(xí)（DRL）框架： APGD-IM，旨在優(yōu)化上述問題導(dǎo)致的性能下降。具體來說，我們提出了一種基于注意力機制和節(jié)點重要性信息的自適應(yīng) DeepWalk 算法 DRA，以及一種先驗增強型圖神經(jīng)網(wǎng)絡(luò)模塊 PGNN，用于生成節(jié)點嵌入。之后，通過結(jié)合雙深度 Q 網(wǎng)絡(luò)，利用這些嵌入來學(xué)習(xí)參數(shù)，從而解決社交網(wǎng)絡(luò)中的學(xué)者影響力最大化問題。四個真實社交網(wǎng)絡(luò)的實驗結(jié)果表明，我們提出的模型優(yōu)于其他基線方法，并在不同的擴散模型中保持穩(wěn)定的性能優(yōu)勢。

圖1 論文海報 

圖2 發(fā)表論文海報合影

圖3 最佳學(xué)生論文頒獎現(xiàn)場

  通過本次獲獎以及在現(xiàn)場與專家和學(xué)者們的交流，我收獲了很多，也深知自己還有許多需要改進和提升的地方。在今后的學(xué)習(xí)和研究中，我將繼續(xù)學(xué)習(xí)領(lǐng)域前沿知識，爭取取得更大的進步！