[論文レビュー] IRIE: Scalable and Robust Influence Maximization in Social Networks

Kyomin Jung, Wooram Heo+1 more|arXiv (Cornell University)|Nov 21, 2011

Complex Network Analysis Techniques参考文献 15被引用数 30

ひとこと要約

IRIE は、反復的影響順位付け（IR）と高速な影響推定（IE）を組み合わせることで、最新の手法（PMIA など）に比べて最大 2 つのオーダーの高速化と顕著なメモリ使用量削減を達成しながら、IC モデルおよび IC-N モデルにおける多様なネットワークトポロジーやカスケードサイズにおいて、影響カバレッジを維持または向上させる、新しいスケーラブルで頑健な影響拡散最適化アルゴリズムである。

ABSTRACT

Influence maximization is the problem of selecting top $k$ seed nodes in a social network to maximize their influence coverage under certain influence diffusion models. In this paper, we propose a novel algorithm IRIE that integrates a new message passing based influence ranking (IR), and influence estimation (IE) methods for influence maximization in both the independent cascade (IC) model and its extension IC-N that incorporates negative opinion propagations. Through extensive experiments, we demonstrate that IRIE matches the influence coverage of other algorithms while scales much better than all other algorithms. Moreover IRIE is more robust and stable than other algorithms both in running time and memory usage for various density of networks and cascade size. It runs up to two orders of magnitude faster than other state-of-the-art algorithms such as PMIA for large networks with tens of millions of nodes and edges, while using only a fraction of memory comparing with PMIA.

研究の動機と目的

• 大規模なソーシャルネットワークにおける既存の影響拡散最適化アルゴリズムのスケーラビリティおよび頑健性の制限を解決すること。
• PMIA などの最新のヒューリスティクスに比べて、実行時間とメモリ使用量を顕著に削減しながらも、高い影響カバレッジを維持する手法を開発すること。
• ネットワーク密度、クラスタ係数、カスケードサイズの変動に対しても安定した性能を発揮するフレームワークを設計すること。
• 否定的意見の伝播を組み込む IC-N モデルに対しても応用可能なように、アプローチを拡張すること。
• 局所的なデータ構造に依存せず、グローバルな反復的計算に依存することで、並列処理が容易に実現できるようにすること。

提案手法

• IRIE は、信念伝播にインspiredされた反復的順位付け（IR）手法を用いて、少数の反復回数で影響力の潜在的高いノードをグローバルに順位付けする。
• 上位順位のノードをシードとして選択した後、IRIE は高速な影響推定（IE）ステップを実行し、そのシードが他のすべてのノードに与える追加的影響を計算する。
• IE の結果を用いて、以降のラウンドにおける影響順位を動的に調整することで、重複計算を低減し、精度を向上させる。
• 局所的影響領域や複雑なデータ構造を格納しないことで、低メモリオーバーヘッドを実現する。
• IRIE は、グローバルな反復的更新に依存しているため、Pregel などのグラフ計算プラットフォームにおいて容易に並列化可能である。
• 否定的意見伝播を組み込むことで、IC-N モデルに対しても効率的かつ影響カバレッジを保持したまま拡張されている。

実験結果

リサーチクエスチョン

• RQ1 影響拡散において、高コストなモンテカルロシミュレーションに代わるグローバルな影響順位付け手法を設計できるか？
• RQ2 影響推定を効率的に影響順位付けに統合することで、最小限の計算コストで高い影響カバレッジを維持できるか？
• RQ3 IRIE は、多様なネットワーク構造において、PMIA よりもどれほど高速で、メモリ使用量が少なく、安定性に優れているか？
• RQ4 IRIE フレームワークは、否定的意見伝播を含む IC-N モデルに効果的に拡張可能か？
• RQ5 ネットワークサイズとエッジ密度の増加に伴い、特に平均次数 >10 の高密度ネットワークにおいて、IRIE の性能はどのようにスケーリングするか？

主な発見

• IRIE は、数千万ノードおよびエッジを持つ大規模ネットワークにおいて、PMIA よりも最大 2 つのオーダーの高速化を達成した。
• LiveJournal データセットでは、IRIE は 3GB のメモリしか使用しなかったが、PMIA は 10GB を要した。これは 70% のメモリ使用量削減を示している。
• TR モデルにおいて、IRIE は IC-N モデルの MIA-N よりも 5〜50 倍高速であり、影響範囲は同等またはそれ以上であった。
• IRIE は、PMIA よりもはるかに安定した実行時間を示した。PMIA はネットワークのクラスタリングやエッジ密度に非常に敏感であった。
• Arxiv および Wiki データセットでは、WC モデルおよび TR モデルの両方において、IRIE は CELF グリーディ法よりも 1,000 倍以上高速であった。
• IRIE は、すべてのテスト設定において、PMIA、SAEDV、PageRank、次数ヒューリスティクスの影響カバレッジを同等または上回った。これは、最大 6900 万エッジを有する実世界ネットワークを含む。