[論文レビュー] Evolving Influence Maximization.

Xudong Wu, Luoyi Fu+2 more|arXiv (Cornell University)|Apr 3, 2018

Complex Network Analysis Techniques参考文献 2被引用数 3

ひとこと要約

この論文では、時間とともに変化するユーザー関係および影響確率を伴う進化するソーシャルネットワークにおける影響拡散最大化（IM）のためのバンドイットベースのフレームワーク、EIMを紹介する。反復的なシードユーザーの選択と進化するネットワークダイナミクスの学習により、EIMは時間的ネットワーク進化下でも静的IM手法を上回る認知拡散を実現する。

ABSTRACT

Influence Maximization (IM) aims to maximize the number of people that become aware of a product by finding the `best' set of `seed' users to initiate the product advertisement. Unlike prior arts on static social networks containing fixed number of users, we undertake the first study of IM in more realistic evolving networks with temporally growing topology. The task of evolving IM ({\bfseries EIM}), however, is far more challenging over static cases in the sense that seed selection should consider its impact on future users and the probabilities that users influence one another also evolve over time. We address the challenges through $\mathbb{EIM}$, a newly proposed bandit-based framework that alternates between seed nodes selection and knowledge (i.e., nodes' growing speed and evolving influences) learning during network evolution. Remarkably, $\mathbb{EIM}$ involves three novel components to handle the uncertainties brought by evolution:

研究の動機と目的

• ユーザーの接続関係と影響確率が時間とともに変化する動的ソーシャルネットワークにおける影響拡散最大化の課題に対処すること。
• 固定されたネットワーク構造と変化しない影響確率を仮定する静的IM手法の限界を克服すること。
• 進化するネットワークダイナミクスを同時に学習しながら、適応的にシードユーザーを選択するフレームワークを開発すること。
• ネットワークトポロジーと影響伝搬における時間的変化によって生じる不確実性を扱うこと。
• 現実的で時間的に進化するソーシャルネットワークにおけるスケーラブルかつ効果的な影響拡散を可能にすること。

提案手法

• ネットワーク進化の過程でシード選択と知識学習を交互に実行するバンドイットベースのフレームワークEIMを提唱する。
• 高い影響力を持つシードノードの選択と未知の影響ダイナミクスの学習の両立を図る、新たな探索・活用戦略を導入する。
• 観測された伝搬結果に基づいて更新される時変パラメータとして、進化する影響確率をモデル化する。
• 変化するネットワーク状態下でのノードの影響力の推定に、マルチアームド・バンディットアプローチを用いる。
• ノードの成長速度を学習可能なパラメータとして組み込み、将来の影響拡散を予測する。
• 新たなノードとエッジが出現するたびにシードセットを動的に再評価し、長期的な影響拡散最大化を実現する。

実験結果

リサーチクエスチョン

• RQ1 時間的に変化するトポロジーを伴う進化するソーシャルネットワークへの影響拡散最大化をどのように効果的に拡張できるか？
• RQ2 進化する影響確率とネットワーク成長の存在下で、どのように適応的シード選択を実現できるか？
• RQ3 オンライン学習の統合が、静的IMアプローチと比較してどのように影響拡散を改善するか？
• RQ4 バンドイットベースのフレームワークは、進化するネットワークダイナミクスにおける不確実性をどの程度処理できるか？
• RQ5 ノード成長速度と進化する影響の学習が、長期的影響伝搬に及ぼす影響は何か？

主な発見

• EIMは、進化するネットワークにおける静的IMベースラインを著しく上回り、優れた適応性を示した。
• バンドイットベースの学習部は、未知の影響ダイナミクスの有効な探索と、既知の影響力を持つノードの高い活用を両立させた。
• ノード成長速度を学習可能なパラメータとして組み込むことで、将来の影響拡散予測の精度が向上した。
• 複数の進化するネットワークシナリオにわたり安定したパフォーマンスを達成し、時間的変化に対して頑健であることが示された。
• EIMは、時間に伴って変化する影響確率を効果的にモデル化することで、静的と動的IM設定の間のパフォーマンスギャップを縮小した。
• 実験的評価により、反復的学習と選択プロセスが非適応的アプローチよりも高い累積的影響拡散を達成することが確認された。