[論文レビュー] Holistic Influence Maximization: Combining Scalability and Efficiency with Opinion-Aware Models

Sainyam Galhotra, Akhil Arora+1 more|arXiv (Cornell University)|Feb 9, 2016

Complex Network Analysis Techniques参考文献 42被引用数 57

ひとこと要約

本稿では、ノードの意見と相互作用ダイナミクスを統合した新しい意見連携型相互作用（OI）モデルを統合した、独創的な意見認識型影響拡散枠組みを提案する。これにより、情報拡散のより現実的なモデリングが可能になる。本稿では、有効な意見の最大化（MEO）問題を定式化し、スケーラブルな2つのアルゴリズム—EaSyIM（意見無視型ベースライン）とOSIM（意見認識型ヒューリスティック）—を提案する。これらは、最先端手法の5%以内の影響拡散を達成しながら、線形時間および空間計算量を維持しており、大規模グラフにおけるスケーラビリティと効率性が著しく向上している。

ABSTRACT

The steady growth of graph data from social networks has resulted in wide-spread research in finding solutions to the influence maximization problem. In this paper, we propose a holistic solution to the influence maximization (IM) problem. (1) We introduce an opinion-cum-interaction (OI) model that closely mirrors the real-world scenarios. Under the OI model, we introduce a novel problem of Maximizing the Effective Opinion (MEO) of influenced users. We prove that the MEO problem is NP-hard and cannot be approximated within a constant ratio unless P=NP. (2) We propose a heuristic algorithm OSIM to efficiently solve the MEO problem. To better explain the OSIM heuristic, we first introduce EaSyIM - the opinion-oblivious version of OSIM, a scalable algorithm capable of running within practical compute times on commodity hardware. In addition to serving as a fundamental building block for OSIM, EaSyIM is capable of addressing the scalability aspect - memory consumption and running time, of the IM problem as well. Empirically, our algorithms are capable of maintaining the deviation in the spread always within 5% of the best known methods in the literature. In addition, our experiments show that both OSIM and EaSyIM are effective, efficient, scalable and significantly enhance the ability to analyze real datasets.

研究の動機と目的

• 現実のソーシャルネットワークにおけるノードの意見と相互作用ダイナミクスを無視する古典的影響拡散モデルの限界を解消すること。
• ユーザー間の意見形成と情報認識の現実世界のダイナミクスを捉える新しい意見連携型相互作用（OI）モデルを提案すること。
• 正の、中立の、および否定的な意見を考慮するより現実的な影響拡散の変種として、有効な意見の最大化（MEO）問題を定式化すること。
• 大規模グラフ上でメモリと実行時間のオーバーヘッドを最小限に抑えつつ、高い影響拡散を維持するスケーラブルで効率的なアルゴリズムを設計すること。
• 意見認識型モデルが、ソーシャルネットワークにおける影響伝搬の現実性と効果性を著しく向上させることを実証すること。

提案手法

• 各ノードがコンテンツに対して実数値の意見（o）を持ち、各有向エッジが隣接ノードの意見をどの程度採用するかを示す相互作用確率（φ）を持つOIモデルを提案する。
• MEO問題を定式化し、単に活性化ノード数ではなく、伝搬後のノードの意見値の合計（有効な意見）を最大化することを目的とする。
• P=NPでない限り、MEO問題がNP困難であり、定数比で近似可能でないことを証明し、ヒューリスティックな解決法の必要性を正当化する。
• EaSyIMを、スケーラブルで意見無視型のベースラインアルゴリズムとして設計し、線形時間および空間計算量を達成する。これはOSIMの基盤を提供する。
• OSIMを、影響拡散プロセスに意見と相互作用ダイナミクスを統合したヒューリスティックとして開発し、精度を向上させつつ効率性を維持する。
• メモ化を用いたモンテカルロシミュレーションを採用し、近似の質と計算コストのバランスを取って、影響拡散の推定を効率的に行う。

実験結果

リサーチクエスチョン

• RQ1 ノードの意見と相互作用ダイナミクスを統合することで、より現実的な影響拡散モデルを設計できるか？
• RQ2 単に活性化数ではなく有効な意見を最大化するMEO問題は、古典的影響拡散と比較して、複雑さと実用性の面でどのように異なるか？
• RQ3 大規模グラフ上で、正確性を損なわずに効率的にMEO問題を解くスケーラブルなアルゴリズムを設計できるか？
• RQ4 提案されたOSIMアルゴリズムは、既存の最先端手法と比較して、影響拡散、実行時間、メモリ使用量の面でどのように異なるか？
• RQ5 意見認識型モデルは、現実世界のソーシャルネットワークにおける影響伝搬の現実性と効果性をどの程度向上させるか？

主な発見

• MEO問題は、P=NPでない限りNP困難であり、任意の定数要因で近似可能でないことが証明され、ヒューリスティックな手法の使用が正当化される。
• 提案されたOSIMおよびEaSyIMアルゴリズムは、文献に登録された最高の手法と比較して、影響拡散が5%以内の差異に収束しており、優れた近似品質を示している。
• EaSyIMは線形時間および空間計算量を維持しており、大規模グラフにおけるスケーラビリティと実用性が非常に高く、IRIEおよびSIMPATHを上回るスケーラビリティを示している。
• OSIMは意見ダイナミクスを統合することで、有効な意見最大化の面で、意見無視型手法を著しく上回っている。
• OIモデルは、否定的意見や相互作用に基づく認識といった現実世界のダイナミクスを捉えており、古典的IC/LTモデルよりも表現力と現実性に優れたフレームワークを提供する。
• アルゴリズムは、実行時間、メモリ消費量、影響拡散の面で優れたトレードオフを達成しており、大規模ソーシャルネットワークにおける実世界の展開に実用的である。