近日，信息工程学院杨书新老师在中国科学院计算机科学1区top期刊Neural Networks（影响因子:8.4，中国科学院一区top，CCF-B类推荐英文期刊）发表研究成果“Balanced influence maximization in social networks based on deep reinforcement learning”。本论文于2023年7月5日投稿，2023年10月20日录用。

均衡影响力最大化（Balanced influence maximization）旨在让更多的用户接受到多元化信息的影响，消减社交网络中的信息茧房效应。考虑真实社交网络中目标实体与其他实体之间的相关性对信息传播的潜在影响，本文提出了一种基于深度强化学习的均衡影响最大化框架BIM-DRL，如图1所示。具体来说，提出一种利用历史行为序列来评估多实体社交网络中实体相关性的神经网络模型，通过对历史行为序列进行双向建模来捕获更深层次的信息，提升了多实体社交网络中实体相关性评估的准确性。为降低影响力估计带来的巨大计算成本，将均衡影响最大化问题建模为一个参数优化问题，并结合图嵌入技术和深度强化学习模型对目标函数中的参数进行训练，为均衡影响最大化问题提供了一种新的种子节点选拔方案。

图1 BIM-DRL框架

据悉，杨书新老师及所在团队主要研究方向为社交网络的信息扩散、文本分析等，所在的团队学术氛围浓厚，成果频出。研究论文“Extending influence maximization by optimizing the network topology”于2023年4月在Expert Systems with Applications（影响因子:8.3，中国科学院一区top）刊出，研究论文“GAA-PPO: A novel graph adversarial attack method by incorporating proximal policy optimization”于2023年10月在Neurocomputing（影响因子:6.0，中国科学院二区top）刊出。

以上工作得到了国家自然科学基金项目的资助。