IM2Vec：地理社交网络中基于表示学习的偏好最大化

基于摘要分析。本文研究地理社交网络中的目标地点推广：如何选择种子用户，在考虑用户偏好的同时扩大影响范围并降低大规模计算开销。作者提出 IM2Vec，将偏好表示学习与基于反向影响力采样的偏好最大化算法结合；主要研究对象是地点推广与社交网络传播，而非 EEG 或 BCI。 机制上，框架首先使用 All2Vec 从签到记录中学习用户对目标地点的偏好，同时考虑用户偏好与地理位置影响；随后依据学得的偏好扩展 reverse influence sampling（RIS），进行种子用户选择。作者报告，该算法能够以显著更小的样本量获得（1−1/e−∊）近似解。该保证对应的目标函数、传播假设、采样条件及概率界，摘要未展开，尚需核对全文。 评估涵盖两个真实地理社交网络上的 future visitor prediction 和 influence maximization 任务。作者报告，All2Vec 在未来访客预测中取得更高的准确率，IM2Vec 相比所比较的先进基线具有更大的影响传播范围和更低的运行时间。摘要未提供网络名称、数据规模、划分方式、基线名称或具体数值，因此不能据此判断收益幅度及不同设置下的稳定性。 复现需核对签到记录与社交图的构建方式、偏好学习目标、地理影响建模、传播模型和采样停止条件；实验协议、消融及统计信息尚未验证。材料没有建立签到偏好与神经信号解码之间的具体机制对应，不能将上述结果解释为 EEG/BCI 方法有效性的证据。