近日，我院常雪芹助理教授参加了第32届数据挖掘领域顶级学术会议ACM SIGKDD Conference on Knowledge Discovery and Data Mining（KDD 2026），并在会上介绍了其第一作者论文《Approximation and Learning-based Algorithms for Influence Maximization in Multilayer Social Networks》的研究成果。该论文已正式发表于KDD 2026会议论文集。

本次会议于8月9日至13日在韩国济州岛举行，由国际计算机学会（ACM）数据挖掘专业委员会（SIGKDD）主办，是数据挖掘、知识发现与人工智能领域的重要旗舰国际学术会议。在学术会议评价体系中，KDD被中国计算机学会（CCF）推荐为A类国际学术会议，被计算机领域国际会议评价体系CORE评为A*，并被清华大学计算机学科群推荐学术会议和期刊列表（TH-CPL）列为A类会议，在人工智能与数据科学领域具有较高学术影响力。

本届会议吸引了来自全球顶尖高校、科研机构及科技企业的超过3,700名专家学者和技术人员参会，共收到6,737篇投稿，最终录用1,407篇，录用率约为20.9%。

会议现场

会上，常雪芹老师受邀就该成果做了学术报告，介绍了其在多层社交网络影响力最大化方向的最新研究成果。随着社交媒体平台不断发展，用户往往同时活跃于多个网络，信息传播呈现跨平台、多层次和复杂交互等特点。在跨平台营销、舆情传播和公共信息扩散等场景中，如何利用不同网络之间的关联关系，选择有限数量的关键用户实现更大范围的信息传播，成为智能网络分析领域的重要问题。现有方法主要面向单层网络设计，难以同时刻画不同平台的传播机制及跨平台交互行为。

针对上述问题，论文构建了面向多层社交网络的混合传播模型，并提出近似优化与学习优化相结合的求解框架。在理论方面，论文刻画了不同网络层内部及层间的信息传播过程，并证明多层影响力最大化问题具有NP-hard、单调性和子模性等性质；在算法方面，提出可扩展近似算法STARIM，通过多层反向影响采样机制实现高效影响估计，并进一步设计基于多层表示学习与深度强化学习的LGQIM框架，实现对用户影响能力的快速预测和自适应种子用户选择，在提升计算效率的同时保持较好的传播效果。相关研究可为跨平台精准营销、社交媒体运营、网络舆情分析及复杂网络传播管理等应用提供理论基础和技术支撑。

此次论文被KDD 2026录用并在会议期间进行成果展示，体现了我院在图数据挖掘、智能网络分析与人工智能交叉领域的前沿探索与研究成效，也进一步展现了学院在高水平科研创新与国际学术交流方面的成果。

撰稿：常雪芹

审核：徐薇、张学勇