[論文レビュー] Algorithmic Design for Competitive Influence Maximization Problems

Yishi Lin, John C. S. Lui|arXiv (Cornell University)|Oct 31, 2014

Optimization and Search Problems参考文献 5被引用数 3

ひとこと要約

本稿では、新たな一般化競合インフルエンスカスケード（GCIC）モデルに基づく、競合的インフルエンス最大化（CIM）のための一般化されたアルゴリズムフレームワークであるTCIMを提案する。本手法は、高い確率で(1−1/e−ε)近似を得られ、先行する最良のグリーディアルゴリズムと比較して最大4桁の速度向上を達成し、多様なインフルエンス伝搬モデルにおいて、理論的保証と実用的な性能の両方を満たす最初の実用的フレームワークである。

ABSTRACT

Given the popularity of the viral marketing campaign in online social networks, finding an effective method to identify a set of most influential nodes so to compete well with other viral marketing competitors is of upmost importance. We propose a "General Competitive Independent Cascade (GCIC)" model to describe the general influence propagation of two competing sources in the same network. We formulate the "Competitive Influence Maximization (CIM)" problem as follows: Under a prespecified influence propagation model and that the competitor's seed set is known, how to find a seed set of $k$ nodes so as to trigger the largest influence cascade? We propose a general algorithmic framework TCIM for the CIM problem under the GCIC model. TCIM returns a $(1-1/e-ε)$-approximate solution with probability at least $1-n^{-\ell}$, and has an efficient time complexity of $O(c(k+\ell)(m+n)\log n/ε^2)$, where $c$ depends on specific propagation model and may also depend on $k$ and underlying network $G$. To the best of our knowledge, this is the first general algorithmic framework that has both $(1-1/e-ε)$ performance guarantee and practical efficiency. We conduct extensive experiments on real-world datasets under three specific influence propagation models, and show the efficiency and accuracy of our framework. In particular, we achieve up to four orders of magnitude speedup as compared to the previous state-of-the-art algorithms with the approximate guarantee.

研究の動機と目的

• バイラルマーケティングの場面において、強力な近似保証を持つ効率的なアルゴリズムが不足している問題に対処すること。
• ソーシャルネットワークにおける多様な競合ダイナミクスを捉える一般化されたインフルエンス伝搬モデル「一般化競合インディペンデントカスケード（GCIC）」を形式化すること。
• 複数のインフルエンス伝搬モデルにわたって、高品質な解を実用的な実行時間で保証する統一されたアルゴリズムフレームワークTCIMを設計すること。
• 3つの異なるインフルエンス伝搬モデルのもとで、実世界のデータセットを用いてTCIMの効率性と有効性を実験的に検証すること。

提案手法

• ネットワーク内における2つの競合するソース間のインフルエンス伝搬ダイナミクスを一般化するため、一般化競合インディペンデントカスケード（GCIC）モデルを提唱する。
• 既知の競合のシードノード集合が与えられたもとで、インフルエンスの広がりを最大化するようにk個のシードノードを選択する問題として、競合的インフルエンス最大化（CIM）問題を定式化する。
• ランダム化されたRAPG（逆アクティブパスグラフ）サンプリングを用いてインフルエンスを推定し、効率的にシードを選択する2段階の競合的インフルエンス最大化（TCIM）フレームワークを設計する。
• 2段階のアプローチを統合する：まず、RAPGサンプリングを用いて最適インフルエンスの下界を推定する。次に、推定された境界を基に、高い限界利益を持つk個のノードを選択する。
• 濃度不等式と確率的解析を活用して、確率1−n−ℓ以上で(1−1/e−ε)近似を得ることを保証する。
• ε、ℓ、およびネットワークサイズに基づいてRAPGサンプル数を調整し、精度と効率のバランスを図る。複雑さはO(c(ℓ+k)(m+n)log n/ε²)に比例する。

実験結果

リサーチクエスチョン

• RQ1 多様なインフルエンス伝搬モデルにわたって、(1−1/e−ε)近似保証を維持する競合的インフルエンス最大化（CIM）のための一般化されたアルゴリズムフレームワークを設計できるか？
• RQ2 このようなフレームワークの計算効率をどのように向上させれば、大規模ネットワークにおいて実用的になるか？
• RQ3 異なるインフルエンス伝搬モデル（例：キャンペーン無視型、距離ベース型、ウェーブ型）が、TCIMフレームワークの性能と複雑さに与える影響は何か？
• RQ4 解の品質を維持しつつ、既存の近似保証付きグリーディアルゴリズムと比較して、TCIMは実行時間でどの程度優れているか？

主な発見

• TCIMは、確率1−n−ℓ以上で(1−1/e−ε)近似を得られ、強力な理論的性能保証を提供する。
• k=50、ε=0.1、ℓ=1の場合、TCIMは最先端のグリーディアルゴリズムと同等の解を得るが、NetHEPT（75,879ノード、508,837エッジ）のような大規模ネットワークでは最大4桁の速度向上を達成する。
• NetHEPTデータセットでは、ε=0.5のとき7秒以内に処理を完了し、ε=0.1のときは6分以内に完了するなど、高いスケーラビリティを示している。
• TCIMの実行時間はεが増加するにつれて短くなる。これは、O(1/ε²)の複雑さ依存性と整合的であり、近似境界がゆるくなるほど高速に実行可能であることを示している。
• メモリ消費量はモデルによって異なる：キャンペーン無視型で最も低く、距離ベース型で中程度、ウェーブ型で最も高い。これは、RAPGインスタンスの保存要件の差によるものである。
• kが増加するにつれて、必要なRAPGインスタンス数が減少し、特に下界LB_rがλよりも速く増加する場合に、実行時間とメモリ使用量が顕著に減少する。