[論文レビュー] A Survey on Location-Driven Influence Maximization

Taotao Cai, Quan Z. Sheng+6 more|arXiv (Cornell University)|Apr 17, 2022

Human Mobility and Location-Based Analysis被引用数 4

ひとこと要約

本サーベイは、場所駆動型インフルエンス最大化（IM）を包括的に分析し、オンライン場所認識IM（OLIM）とオフライン看板IM（OBIM）の2つに分類している。拡散モデル、ソリューションフレームワーク、高速化技術をレビューし、細分化された分類法を提示するとともに、動的ネットワーク、非単調モデル、現実世界の制約下でのシード選定という分野における今後の研究方向性を特定している。

ABSTRACT

Influence Maximization (IM), which aims to select a set of users from a social network to maximize the expected number of influenced users, is an evergreen hot research topic. Its research outcomes significantly impact real-world applications such as business marketing. The booming location-based network platforms of the last decade appeal to the researchers embedding the location information into traditional IM research. In this survey, we provide a comprehensive review of the existing location-driven IM studies from the perspective of the following key aspects: (1) a review of the application scenarios of these works, (2) the diffusion models to evaluate the influence propagation, and (3) a comprehensive study of the approaches to deal with the location-driven IM problems together with a particular focus on the accelerating techniques. In the end, we draw prospects into the research directions in future IM research.

研究の動機と目的

• アプリケーションシナリオに基づいて、場所駆動型インフルエンス最大化に関する既存研究を体系的に分類・分析すること。
• OLIMおよびOBIM問題に用いられるインフルエンス拡散モデルをレビューし、比較すること。
• OLIMおよびOBIM問題を効率的に解くためのフレームワークアルゴリズムおよび高速化技術を要約すること。
• 動的ネットワーク、非単調モデル、および予算制約付きIM設定における重要な課題を特定し、有望な今後の研究方向性を提示すること。

提案手法

• 場所駆動型IMを2つの主要な分野に分類する：OLIM（ユーザーの場所情報を含むオンラインソーシャルネットワーク）とOBIM（オフラインの看板によるインフルエンス拡散）。
• 空間的・時間的ダイナミクスに適応された、独立キャスケード（IC）および線形閾値（LT）モデルなどの主要なインフルエンス拡散モデルをレビューする。
• スケーラビリティを高めるために、グリーディヒューリスティクス、ランダム化局所探索、およびリバース到達可能（RR）集合のようなスケッチベース手法を含むフレームワークアルゴリズムを分析する。
• 計算時間の効率を向上させるために、プルーニング、サンプリング、インデックスベースのメンテナンスなどの高速化技術を評価する。
• 問題タイプ、拡散モデル、アルゴリズム的アプローチに基づいた分類法を提示し、体系的な比較を可能にする。
• 時間的リンク予測および動的スケッチインデキシングの概念を導入し、進化するネットワーク構造への対応を図る。

実験結果

リサーチクエスチョン

• RQ1 空間的・時間的ユーザーの場所データを組み込むことで、インフルエンス最大化をどのように効果的に拡張できるか？
• RQ2 問題定式化および解決手法の観点から、OLIMとOBIMの主な相違点と類似点は何か？
• RQ3 既存の拡散モデルは、ソーシャル空間および物理空間における場所認識インフルエンス伝搬をどのように捉えているか？
• RQ4 大規模な場所駆動型ネットワークにおけるインフルエンス最大化アルゴリズムのスケーラビリティを高めるために、どの高速化技術が最も効果的か？
• RQ5 現実世界のIMアプリケーションにおいて、動的ネットワークの進化、非単調なインフルエンス関数、ユーザーの抵抗行動を扱う上で、主な未解決課題は何か？

主な発見

• OLIMおよびOBIMフレームワークは成熟しており、OLIMは動的ソーシャルネットワークにおけるシードユーザー選定に注力し、OBIMはオウトドア広告のための最適な看板配置に注力している。
• ICおよびLTなどの拡散モデルは場所認識インフルエンス伝搬に適応されているが、その有効性は正確な空間的・時間的モデリングに依存する。
• グリーディおよびランダム化局所探索手法は広く用いられているが、非単調な設定では収束がグローバル最適解に保証されないという制限がある。
• リバース到達可能スケッチやプルーニングなどの高速化技術は、計算コストを顕著に低減させ、大規模ネットワークへのスケーラビリティを実現している。
• 時間的リンク予測および動的スケッチインデキシングは、ネットワーク進化への対応において有望なアプローチであるが、現在の文献ではまだ十分に検討されていない。
• 今後の研究は、動的ネットワーク、非単調モデル、およびエッジベースのインフルエンスによるユーザーの抵抗行動のモデル化に注力すべきである。