[論文レビュー] Influence Maximization via Representation Learning.

George Panagopoulos, Michalis Vazirgiannis+1 more|arXiv (Cornell University)|Apr 18, 2019

Opinion Dynamics and Social Influence被引用数 2

ひとこと要約

IMINFECTOR は、拡散カスケードを用いてインフルエンサーと感受性のあるノードを統合的に埋め込むことで、スケーラブルでモデルに依存しない影響力推定と理論的保証付きのグリーディーなシード選択を可能にする表現学習アプローチを提案する。3つの実世界ネットワークにおいて、効率性とシードの質の両面で競合手法を上回る性能を発揮する。

ABSTRACT

We address the problem of influence maximization when the social network is accompanied by diffusion cascades. In prior works, such information is used to compute influence probabilities, which is utilized by stochastic diffusion models in influence maximization. Motivated by the recent criticism on the effectiveness of diffusion models as well as the galloping advancements in influence learning, we propose IMINFECTOR (Influence Maximization with INFluencer vECTORs), a unified approach that uses representations learned from diffusion cascades to perform model-independent influence maximization that scales in real-world datasets. The first part of our methodology is a multi-task neural network that learns embeddings of nodes that initiate cascades (influencer vectors) and embeddings of nodes that participate in them (susceptible vectors). The norm of an influencer vector captures the ability of the node to create lengthy cascades and is used to estimate the expected influence spread and reduce the number of candidate seeds. In addition, the combination of influencer and susceptible vectors form the diffusion probabilities between nodes. These are used to reformulate the network as a bipartite graph and propose a greedy solution to influence maximization that retains the theoretical guarantees.We a pply our method in three sizable networks with diffusion cascades and evaluate it using cascades from future time steps. IMINFECTOR is able to scale in all of them and outperforms various competitive algorithms and metrics from the diverse landscape of influence maximization in terms of efficiency and seed set quality.

研究の動機と目的

• 従来の確率的拡散モデルの限界を克服するため、表現学習を活用すること。
• 実際の拡散カスケードから、影響力の潜在的ポ텐シャルと感受性を捉えるノード埋め込みを学習すること。
• 事前に定義された拡散モデルに依存せずに、大規模な実世界ネットワークにおけるスケーラブルな影響力最大化を可能にすること。
• 影響力拡散推定における理論的保証を維持しつつ、シードセットの質を向上させること。
• インフルエンサーのベクトルのノルムをインフルエンスポテンシャルの代理として用いることで、候補シードの数を削減すること。

提案手法

• マルチタスクニューラルネットワークが、拡散を開始するインフルエンサーのベクトル（ノード）と、拡散に参加する感受性のあるノードのベクトルを学習する。
• インフルエンサーのベクトルのノルムが、期待される影響力拡散を推定し、低ポテンシャルなシード候補のプルーニングを可能にする。
• ノード間の拡散確率は、インフルエンサーと感受性のあるノードのベクトルのドット積から導出される。
• これらの学習済み確率を用いて、ネットワークを再定式化し、二部グラフとして再構成することで、グリーディーな影響力最大化を可能にする。
• 再構成された二部グラフ上でグリーディーなアルゴリズムを適用し、影響力拡散における理論的保証を保持する。
• この手法は、観測された拡散カスケード上でエンドツーエンドに訓練され、将来のカスケードを用いた評価により一般化性能を測定する。

実験結果

リサーチクエスチョン

• RQ1 拡散カスケードからの表現学習は、従来の確率的モデルを上回る影響力最大化を実現できるか？
• RQ2 学習されたインフルエンサーのベクトルのノルムは、影響力拡散を効果的に予測し、シード候補の探索空間を縮小できるか？
• RQ3 インフルエンサーと感受性のあるノードのベクトルの組み合わせは、影響力推定に適した正確な拡散確率をもたらすか？
• RQ4 モデルに依存しないアプローチは、理論的性能保証を維持したまま実世界のネットワークにスケーリング可能か？
• RQ5 提案手法は、既存の影響力最大化アルゴリズムと比較して、効率性とシードの質の両面で優れているか？

主な発見

• IMINFECTOR は、3つの大規模な実世界ネットワークにおいて、拡散カスケードを用いて効果的にスケーリング可能である。
• この手法は、シードセットの選択における効率性と品質の両面で、さまざまな競合アルゴリズムを上回る性能を発揮する。
• インフルエンサーのベクトルのノルムは、影響力ポテンシャルを効果的に捉えており、低影響力のシード候補のプルーニングに有効である。
• ベクトル間の相互作用による学習済み拡散確率の使用により、影響力拡散推定の精度が向上する。
• 再定式化された二部グラフ上で実行されるグリーディーなアルゴリズムは、影響力拡散における理論的保証を維持する。
• 将来のカスケードを用いた評価により、訓練データを超えて良好に一般化していることが確認された。