[論文レビュー] Influence Spread in Large-Scale Social Networks - A Belief Propagation Approach

Huy Nguyen, Rong Zheng|arXiv (Cornell University)|Apr 19, 2012

Bayesian Modeling and Causal Inference被引用数 10

ひとこと要約

本稿では、モンテカルロシミュレーションに依存するグリーディーな影響拡散最大化アルゴリズムの計算コストの問題を克服するために、信念伝播に基づくアプローチを提案する。社会的ネットワークの構造から導出された有向無閉路グラフ（DAG）上で影響拡散を信念伝播としてモデル化することで、繰り返しモンテカルロシミュレーションを実行することなく、高速かつ高精度に影響拡散を推定できる。実世界のネットワーク（最大数百万エッジ）において、中程度の計算コストで高い性能を達成する。

ABSTRACT

Abstract. Influence maximization is the problem of finding a small set of seed nodes in a social network that maximizes the spread of influence under a certain diffusion model. The Greedy algorithm for influence maximization first proposed by Kempe, later improved by Leskovec suffers from two sources of computational deficiency: 1) the need to evaluate many candidate nodes before selecting a new seed in each round, and 2) the calculation of the influence spread of any seed set relies on Monte-Carlo simulations. In this work, we tackle both problems by devising efficient algorithms to compute influence spread and determine the best candidate for seed selection. The fundamental insight behind the proposed algorithms is the linkage between influence spread determination and belief propagation on a directed acyclic graph (DAG). Experiments using real-world social network graphs with scales ranging from thousands to millions of edges demonstrate the superior performance of the proposed algorithms with moderate computation costs. 1

研究の動機と目的

• モンテカルロシミュレーションに依存する高コストなグリーディーな影響拡散最大化アルゴリズムの計算非効率性を解消すること。
• 各シーディングラウンドにおける候補ノードの評価回数を減らすために、高速な影響拡散推定を可能にすること。
• 大規模な実世界のソーシャルネットワークにおいても正確性を維持する、スケーラブルな影響拡散計算手法を開発すること。
• 有向無閉路グラフ（DAG）上での影響拡散と信念伝播の間の理論的かつ計算的関連を確立すること。

提案手法

• 本手法は、ソーシャルネットワーク構造から導出された有向無閉路グラフ（DAG）上で影響拡散を信念伝播としてモデル化する。
• DAGの局所的構造を活用し、影響確率を前方に伝搬するメッセージパッシング更新を用いて影響拡散を計算する。
• シードノード集合の影響拡散は、DAGのリーフノードにおける信念値の集約によって計算され、繰り返しモンテカルロシミュレーションを回避する。
• 信念伝播による影響拡散推定に基づいて順位付けすることで、各ラウンドで最良のシードノードを効率的に同定するアルゴリズムである。
• DAGの条件付き独立性の性質を活用することで、各候補ノードに対して線形時間オーダーの影響拡散推定が可能となる。
• 本手法は、数千から数百万エッジのネットワークにスケーリング可能であり、計算オーバーヘッドを低く保つように設計されている。

実験結果

リサーチクエスチョン

• RQ1 モンテカルロシミュレーションを必要とせず、DAG上の信念伝播がソーシャルネットワークにおける影響拡散を正確に近似できるか？
• RQ2 提案手法は、モンテカルロ評価を伴うグリーディーなアルゴリズムと比較して、影響拡散最大化の計算コストをどの程度低減できるか？
• RQ3 信念伝播手法は、多様な実世界のネットワークトポロジーにおいて、どの程度の正確性を維持できるか？
• RQ4 従来のグリーディー手法と比較して、各ラウンドにおける評価回数を減らしつつ、高影響力のシードノードを効率的に同定できるか？
• RQ5 最大数百万エッジを有する大規模ネットワークに適用した場合、本手法の性能と正確性はどのようにスケーリングするか？

主な発見

• 信念伝播手法は、繰り返しサンプリングを要しないにもかかわらず、モンテカルロシミュレーションの結果と密接に一致する高い正確性を達成する。
• 影響評価あたりの計算コストを顕著に低減し、グリーディーなアルゴリズムの各ラウンドにおけるシード選定を高速化できる。
• アルゴリズムは大規模ネットワークに対しても効果的にスケーリングされ、最大数百万エッジのグラフにおいても中程度の計算コストを維持する。
• DAG上のメッセージパッシングにモンテカルロシミュレーションを置き換えることで、シミュレーションベース推定に内在する確率的ばらつきを排除できる。
• 実世界のソーシャルネットワークを用いた実験では、提案手法が既存手法を上回る影響拡散性能を示しながら、計算オーバーヘッドを低く保つ。
• 影響拡散と信念伝播の間の連関性により、影響拡散の効率的で決定論的な計算が可能となり、大規模な影響拡散最大化が現実的になる。