该文件主要围绕社交网络中基于用户偏好变化的影响最大化研究展开探讨，具体知识点涉及以下几个方面：
一、社交网络和影响最大化问题
社交网络是指那些拥有社交功能的网站，如Facebook、微信等，它们允许用户分享信息、交流思想、建立人际网络。社交网络的重要特点之一是用户能够对特定内容、人物或者组织产生影响力。影响最大化问题的核心目标是从社交网络中挖掘出一个节点集合，这个集合的影响力最大，即影响尽可能多的其他用户。
二、用户偏好及变化
用户在社交网络上的偏好并非一成不变，会随着时间推移或主题的变化而发生改变。用户的偏好对他们的行为有重要影响，包括他们更可能与哪些内容互动，以及如何影响他们的社交网络。因此，在考虑影响最大化问题时，需要考虑用户偏好的变化。
三、Ebbinghaus遗忘曲线
为了衡量用户的当前偏好，研究者提出基于Ebbinghaus遗忘曲线的指数函数。Ebbinghaus遗忘曲线描述了记忆随时间流逝的衰退情况。通过该遗忘曲线，可以衡量用户对特定主题的当前兴趣程度，这一程度随时间逐渐减弱，直至完全遗忘。
四、UCP影响传播模型
UCP（User Preference Changing）影响传播模型考虑到用户偏好变化的影响。通过该模型，研究者设计了一种新的算法GAUCP（Greedy Algorithm for User Preference Changing），用于在特定主题下寻找当前最具有影响力的用户集合。
五、联系用户偏好和激活概率
为了将用户的偏好与其激活概率联系起来，研究中考虑了用户与特定主题的接触频率，使用关联规则方法链接这两者之间的关系。这样的方法可以更准确地找出在特定主题下影响力最大的用户。
六、GAUCP算法
GAUCP算法使用爬山贪婪算法来挖掘用户。考虑到用户当前的偏好，此算法在特定主题上可以达到更好的准确性。在社交网络研究中，基于Influence传播模型的子模性，GAUCP算法可以保证约63%的准确性，并且可以使用CELF（Cost-Effective Lazy Forward）算法来优化计算效率。
七、实验结果
研究者在学术数据库DBLP上进行了相关实验，结果表明GAUCP算法可以在当前时间点上找到具有特定主题的最具有影响力的一组用户。
八、关键词
该文档的关键字包括影响最大化、社交网络、用户偏好以及遗忘曲线等，这些词汇涵盖了文章主要的研究领域和内容。
九、文章结构
文章的结构包括绪论、社交网络中的影响最大化问题、用户偏好变化的影响最大化问题、UCP影响传播模型、GAUCP算法、实验与验证以及结论等部分，系统地介绍了研究的内容和方法。
