[論文レビュー] Influence Maximization Meets Efficiency and Effectiveness: A Hop-Based Approach

Jing Tang, Xueyan Tang+1 more|arXiv (Cornell University)|May 30, 2017

Complex Network Analysis Techniques参考文献 12被引用数 6

ひとこと要約

本稿では、大規模なオンラインソーシャルネットワークにおける影響力最大化のための新しいホップベースのアプローチを提案する。この手法は、理論的保証を伴いながら、高速かつ正確なシード選定を可能にする。1ホップおよび2ホップ内の正確な影響力スプレッドを計算し、上界を求める技術を用いることで、サンプリングベースの最先端手法（例：IMM、D-SSA）と同等の性能を達成しながら、はるかに高速に動作し、他の手法が失敗する数十億エッジのグラフにもスケーリング可能である。

ABSTRACT

Influence Maximization is an extensively-studied problem that targets at selecting a set of initial seed nodes in the Online Social Networks (OSNs) to spread the influence as widely as possible. However, it remains an open challenge to design fast and accurate algorithms to find solutions in large-scale OSNs. Prior Monte-Carlo-simulation-based methods are slow and not scalable, while other heuristic algorithms do not have any theoretical guarantee and they have been shown to produce poor solutions for quite some cases. In this paper, we propose hop-based algorithms that can easily scale to millions of nodes and billions of edges. Unlike previous heuristics, our proposed hop-based approaches can provide certain theoretical guarantees. Experimental evaluations with real OSN datasets demonstrate the efficiency and effectiveness of our algorithms.

研究の動機と目的

• 大規模OSNにおけるモンテカルロ法やサンプリングベースの影響力最大化アルゴリズムのスケーラビリティおよび効率性の制限を解決すること。
• 従来のヒューリスティック法が理論的近似保証を欠いているのとは異なり、理論的近似保証を維持するヒューリスティック手法を開発すること。
• 既存の手法がメモリまたは実行時間の制約により失敗するため実行不可能な、大規模グラフ（例：LiveJournal、Twitter）でも実用的に実行可能であることを実現すること。
• ホップごとの伝播に基づく効率的な影響力推定技術を設計し、高速なシード選定を可能とすること。
• グリーディーなシード選定プロセスの高速化を図るため、影響力スプレッドの上界を提供すること。

提案手法

• 本手法は、変更を加えた幅優先探索を用いて、シードノードからの1ホップおよび2ホップ以内の正確な影響力スプレッドを計算し、モンテカルロシミュレーションを回避する。
• 独立キャスケードモデル下での影響力スプレッドの下位単調性とサブモジュラリティを活用し、シード選定をガイドする。
• 影響力が低いと予想されるノードをプルーニングするための新しい上界技術を導入し、グリーディー選択中の探索空間を削減する。
• 完全な拡散プロセスを近似しつつ計算効率を維持するホップベースの影響力推定を採用する。
• 本手法は、異なる伝播確率に対応可能であり、ICモデルを超える他の拡散モデルにも適応可能である。
• 本手法はO(|V|)の空間計算量を要するため、数十億エッジのグラフに対しても実行可能である。

実験結果

リサーチクエスチョン

• RQ1 ヒューリスティックベースの影響力最大化手法は、高い効率性と強力な理論的性能保証を両立できるか？
• RQ2 実際のOSNデータセットにおいて、1ホップおよび2ホップ内の影響力スプレッド推定値は、完全な拡散プロセスと比べてどの程度の精度を示すか？
• RQ3 影響力スプレッドの上界を提供することで、解の品質を損なわせることなく、シード選定プロセスを顕著に高速化できるか？
• RQ4 大規模OSNにおいて、サンプリングベースおよびヒューリスティックベースのベースラインと比較して、本手法の実行時間およびメモリ使用量はどの程度スケーリングするか？
• RQ5 伝播確率分布が変化する状況下でも、本手法はIMMやD-SSAと比較してどの程度のロバストネスを示すか？

主な発見

• ホップベースの手法は、(1−1/e−ε)近似保証を提供する最先端のIMMおよびD-SSAアルゴリズムと同等の影響力スプレッドを達成する。
• LiveJournalやTwitterなど、数十億エッジを含むすべてのテストデータセットにおいて、IRIE、IMM、D-SSAと比較して著しく高速に実行される。
• IMMおよびD-SSAは大規模データセットでメモリおよび時間的制約により実行不能である一方、ホップベースの手法は常に許容可能な時間およびメモリ使用量で結果を出力する。
• 本手法はサンプリングベースの手法よりも伝播確率のスケーリングに対して感受性が低く、確率が変化する状況下でも、IMMおよびD-SSAと比較して実行時間の増加がはるかに遅い。
• 上界技術により、シード選定中の評価対象ノード数が削減され、解の品質を損なわせることなく収束速度が向上する。
• 本手法はヒューリスティックであるにもかかわらず、理論的近似保証を維持しており、従来のヒューリスティック手法が理論的分析を欠いていた点に比して、顕著な前進を示している。