La maximisation de l'influence concurrentielle (Cim) Le problème implique plusieurs
entités concurrentes pour l'influence sur les réseaux sociaux en ligne (OSNS). Bien que profond
Apprentissage du renforcement (DRL) a montré une promesse, Les méthodes existantes supposent souvent
utilisateurs’ Les opinions sont binaires et ignorent leur comportement et leurs connaissances antérieures. Nous
proposer un rognon, Un cadre CIM basé sur DRL multidimensionnel - conscient de DRL
qui exploite la logique subjective (Sl) Pour modéliser l'incertitude dans les opinions des utilisateurs,
préférences, et la prise de décision DRL. Le RIGHT introduit une incertitude
Modèle d'opinion (Uom) pour une représentation plus réaliste de l'incertitude des utilisateurs et
optimise la sélection des graines pour propager de véritables informations tout en contrecarrant
fausses informations. En outre, il quantifie l'incertitude dans l'équilibrage
exploration et exploitation. Les résultats montrent que l'UOM améliore considérablement la vraie
Information se répandre et maintient l'influence sur les fausses informations avancées
stratégies. Les schémas CIM basés sur RGRAG surpassent les méthodes de pointe
57% et 88% dans l'influence tout en étant à la hauteur 48% et 77% plus rapide. Sensibilité
L'analyse indique qu'une observabilité du réseau plus élevée et une plus grande information
Performance de propagation Boost, tandis que l'activité de réseau élevée atténue l'effet
des utilisateurs’ biais initiaux.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: