[論文レビュー] Effective spreading from multiple leaders identified by percolation in social networks

Shenggong Ji, Linyuan Lü+2 more|arXiv (Cornell University)|Aug 18, 2015

Complex Network Analysis Techniques被引用数 6

ひとこと要約

本論文は、ネットワークが孤立したクラスタに分割されるまでランダムにエッジを削除するパーコレーション過程を模擬することで、ソーシャルネットワーク内の複数の影響力を持つスプレッダーを特定する手法を提案する。各クラスタ内で最も中心性が高いノードを協調的スプレッダーとして選定し、カバレッジと再冗長性の両面で従来の中心性に基づく手法を上回る性能を発揮する。計算量は線形で、選択されたノードの平均次数も低い。

ABSTRACT

Social networks constitute a new platform for information propagation, but its success is crucially dependent on the choice of spreaders who initiate the spreading of information. In this paper, we remove edges in a network at random and the network segments into isolated clusters. The most important nodes in each cluster then form a group of influential spreaders, such that news propagating from them would lead to an extensive coverage and minimal redundancy. The method well utilizes the similarities between the pre-percolated state and the coverage of information propagation in each social cluster to obtain a set of distributed and coordinated spreaders. Our tests on the Facebook networks show that this method outperforms conventional methods based on centrality. The suggested way of identifying influential spreaders thus sheds light on a new paradigm of information propagation on social networks.

研究の動機と目的

• ソーシャルネットワークにおいて、情報カバレッジを最大化し、冗長性を最小化する協調的スプレッダーのセットを特定する課題に取り組む。
• 大規模ネットワークにおいて効果的なスプレッダーを特定するうえで、単一ノードの中心性指標（例：次数、媒介性、kコア）の限界を克服する。
• パーコレーションと情報拡散ダイナミクスの構造的類似性を活用した、計算的に効率的な手法を開発する。
• 現実世界のネットワークにおける影響力を持つスプレッダーを特定するための、スケーラブルで静的（動的シミュレーションに代わる）代替手法を提供する。

提案手法

• 与えられた確率pでネットワークからエッジをランダムに削除し、パーコレーション過程を模擬することで、複数の破壊状態を生成する。
• 各パーコレーション済みネットワークにおいて、タージャンのアルゴリズムを用いて強連結成分を特定し、孤立したクラスタを同定する。
• L個の最大サイズのコンponents内での最高次数ノードを候補スプレッダーとして選定し、複数の実現における参加度に基づいてスコアを付与する。
• 全パーコレーション実現における累積スコアでノードをランク付けし、上位k個のノードを最終的な協調的スプレッダーのセットとして選定する。
• SIR疫病モデルをボンドパーコレーションにマッピングし、エッジの生存確率をSIRの感染伝播確率pに一致させることで、パーコレーションクラスタと潜在的な拡散カバレッジを結びつける。
• 複数のパーコレーション実現を並列処理することで、クラスタおよびスプレッダー同定の精度を向上させ、線形スケーラビリティを達成する。

実験結果

リサーチクエスチョン

• RQ1 パーコレーションに基づく手法は、単一ノードの中心性指標を上回る情報カバレッジを達成する協調的スプレッダーのセットを特定できるか？
• RQ2 カバレッジと再冗長性の観点から、本手法のパフォーマンスは次数、媒介性、kコア中心性と比べてどのように異なるか？
• RQ3 動的拡散シミュレーションと比較して、本手法はより優れたスケーラビリティと低い計算コストを達成できるか？
• RQ4 選択されたスプレッダーの構造的・トポロジカル特性は何か？また、ニッチコンテンツとポピュラーなコンテンツの促進において、それらの特性はどのように異なるか？

主な発見

• パーコレーションに基づく手法は、FacebookおよびEnronメールネットワークにおいて、従来の中心性に基づく手法をカバレッジと再冗長性の両面で上回る。
• 他の手法で特定されたノードと比較して、本手法で選択されたスプレッダーの平均次数が低く、実際の識別コストが低いことを示している。
• 静的パーコレーション実現を活用することで、計算量が線形のO(|V|)に保たれ、ネットワークサイズに比例して効率的にスケーリングされる。
• 本手法は、単一の影響力を持つノードの影響を上回る、分散的かつ協調的なスプレッダーのセットを特定する。
• ニッチコンテンツとポピュラーなコンテンツの促進において、スプレッダーの特性が顕著に異なることが明らかとなり、ターゲット型バズマーケティング戦略に有用な知見を提供する。