[論文レビュー] From Competition to Complementarity: Comparative Influence Diffusion and Maximization

Wei Lu, Wei Chen+1 more|arXiv (Cornell University)|Jul 1, 2015

Complex Network Analysis Techniques参考文献 15被引用数 24

ひとこと要約

本稿では、エッジレベルの伝播とノードレベルのオートマトンを統合することで、純粋な競合から補完性に至るまで、影響拡散ダイナミクスの全範囲を捉える新しい拡散フレームワーク、比較的独立カスケード（Com-IC）モデルを提案する。著者らは、自己影響最大化と補完的影響最大化という2つの新しい問題に対する効率的な近似アルゴリズムを提案し、非単調な設定でも強力な経験的性能と頑健な近似要因を達成している。

ABSTRACT

Influence maximization is a well-studied problem that asks for a small set of influential users from a social network, such that by targeting them as early adopters, the expected total adoption through influence cascades over the network is maximized. However, almost all prior work focuses on cascades of a single propagating entity or purely-competitive entities. In this work, we propose the Comparative Independent Cascade (Com-IC) model that covers the full spectrum of entity interactions from competition to complementarity. In Com-IC, users' adoption decisions depend not only on edge-level information propagation, but also on a node-level automaton whose behavior is governed by a set of model parameters, enabling our model to capture not only competition, but also complementarity, to any possible degree. We study two natural optimization problems, Self Influence Maximization and Complementary Influence Maximization, in a novel setting with complementary entities. Both problems are NP-hard, and we devise efficient and effective approximation algorithms via non-trivial techniques based on reverse-reachable sets and a novel "sandwich approximation". The applicability of both techniques extends beyond our model and problems. Our experiments show that the proposed algorithms consistently outperform intuitive baselines in four real-world social networks, often by a significant margin. In addition, we learn model parameters from real user action logs.

研究の動機と目的

• 既存の影響最大化モデルが、単一のエンティティまたは完全に競合的な相互作用しか仮定しないという限界を解消すること。
• 製品が代替品、補完品、あるいはその間のスケール上に存在するような、現実的な社会的ダイナミクスを、統一されたフレームワークでモデル化すること。
• Com-ICモデル下で、自己影響最大化と補完的影響最大化という2つの新しい最適化問題を定式化し、解くこと。
• 特に補完性が存在する状況においても、非単調な影響最大化問題に対して効率的な近似アルゴリズムを開発すること。
• 学習されたGAPパラメータを用いた実世界のソーシャルネットワークデータを用いたモデルとアルゴリズムの検証。

提案手法

• エッジレベルの情報伝播とノードレベルのオートマトン（NLA）を統合した、比較的独立カスケード（Com-IC）モデルを提案。これは、複数のアイテムに基づくユーザーの採用意思決定をモデル化する。
• ノードレベルオートマトンの状態遷移を制御するモデルパラメータとして、グローバル採用確率（GAPs）を定義。これにより、アイテム間の競合度や補完性の度合いを制御可能となる。
• Com-ICモデルに、逆到達可能（RR）集合の技法を拡張し、効率的な影響推定とシード選定を可能にする。
• 影響関数が非単調であっても、データ依存の近似保証を達成できる、独創的な「サンドイッチ近似」戦略を導入。この戦略は、影響関数の上界と下界を用いる。
• RR集合フレームワークとサンドイッチ近似を活用して、自己影響最大化と補完的影響最大化のための効率的アルゴリズムを設計。
• 実ユーザー行動ログからGAPパラメータを学習し、実ネットワークにおける実際のユーザー行動を反映させる。

実験結果

リサーチクエスチョン

• RQ1 単一の統一された影響拡散モデルは、2つの伝播アイテム間の純粋な競合から補完性に至るまでの全範囲の相互作用を捉えることができるか？
• RQ2 影響ダイナミクスに競合ではなく補完性が関与する場合、どのようにして影響最大化を定式化し、解くことができるか？
• RQ3 非単調な影響関数を補完的状況で効果的に扱うための近似技法は何か？
• RQ4 真のGAPパラメータが未知である場合でも、提案されたアルゴリズムはモデルパラメータの変動に対してどれほど頑健か？
• RQ5 アドバーサリアルなパラメータ設定（例：高水準の補完性、GAPの極端な不均衡）下でも、サンドイッチ近似戦略は強力な近似要因を達成できるか？

主な発見

• 提案されたCom-ICモデルは、調整可能なグローバル採用確率（GAPs）を用いて、純粋な競合から補完性に至るまで、影響相互作用の全範囲を的確に捉えている。
• サンドイッチ近似戦略は、すべてのテストデータセットおよびアドバーサリアルなパラメータ設定において、最大で0.4%の相対誤差に留め、高い頑健性と有効性を示した。
• 4つの実世界のソーシャルネットワークにおいて、提案されたアルゴリズムは直感的なベースラインを常に上回り、特に実行動ログから学習されたGAPを用いる際には顕著な差を示した。
• 学習済みGAPを用いることで、シードセットが達成する影響範囲と最適な影響範囲の比は1に極めて近く、実世界の設定におけるモデルの正確性を裏付けた。
• アドバーサリアルなパラメータ設定下（例：高水準の補完性、GAPの極端な不均衡）でも、アルゴリズムは強力な性能を維持し、近似誤差は0.5%未満に留まった。
• 逆到達可能集合技法は、Com-ICモデルに成功裏に拡張され、効率的な影響推定とスケーラブルなシード選定を可能にした。