[論文レビュー] On the Shoulders of Giants: Incremental Influence Maximization in Evolving Social Networks

Xiaodong Liu, Xiangke Liao+5 more|arXiv (Cornell University)|Aug 5, 2015

Complex Network Analysis Techniques被引用数 4

ひとこと要約

本稿では、進化するソーシャルネットワークにおけるインクリメンタルな影響拡散最大化アルゴリズムであるIncInfを提案する。本手法は、優先的付着と高次数ノードの優位性を活用することで再計算を削減する。影響拡散の変化を局所化し、過去のtop-K結果に基づくプルーニング戦略を適用することにより、最先端の静的手法と比較して最大21倍の高速化を達成しながら、同等の影響拡散性能を維持する。

ABSTRACT

Identifying the most influential individuals can provide invaluable help in developing and deploying effective viral marketing strategies. Previous studies mainly focus on designing efficient algorithms or heuristics to find top-K influential nodes on a given static social network. While, as a matter of fact, real-world social networks keep evolving over time and a recalculation upon the changed network inevitably leads to a long running time, significantly affecting the efficiency. In this paper, we observe from real-world traces that the evolution of social network follows the preferential attachment rule and the influential nodes are mainly selected from high-degree nodes. Such observations shed light on the design of IncInf, an incremental approach that can efficiently locate the top-K influential individuals in evolving social networks based on previous information instead of calculation from scratch. In particular, IncInf quantitatively analyzes the influence spread changes of nodes by localizing the impact of topology evolution to only local regions, and a pruning strategy is further proposed to effectively narrow the search space into nodes experiencing major increases or with high degrees. We carried out extensive experiments on real-world dynamic social networks including Facebook, NetHEPT, and Flickr. Experimental results demonstrate that, compared with the state-of-the-art static heuristic, IncInf achieves as much as 21X speedup in execution time while maintaining matching performance in terms of influence spread.

研究の動機と目的

• 進化するソーシャルネットワークにおいて、トポロジーの変更ごとにtop-Kの影響力を持つノードを再計算する非効率性を解消すること。
• 頻繁な再計算が現実的でない大規模な動的ネットワークにおける計算コストを低減すること。
• 優先的付着と高次数ノードの優位性といった構造的進化パターンを活用し、効率的なインクリメンタルな更新を導くこと。
• 実行時間を大幅に向上させながらも、高い影響拡散精度を維持する手法を開発すること。

提案手法

• トポロジーの進化が影響拡散に与える影響を、ネットワークの局所的領域に限定することで、グローバルな再計算を回避する。
• 計算効率と影響拡散精度のトレードオフを調整可能なパラメータを導入する。
• 過去のtop-K結果に基づき、影響拡散の増加が顕著または次数が高いノードに限定して候補を絞るプルーニング戦略を設計する。
• 影響拡散のメカニズムとして、独立キャスケード（IC）モデルを採用し、隣接するネットワークスナップショット間のインクリメンタルな更新に焦点を当てる。
• インクリメンタルフレームワークにCELF最適化ヒューリスティックを統合し、収束をさらに加速する。
• 影響拡散計算を変更されたエッジの周辺の局所的ネighborhoodに制限することで、スケーラブルで適応可能な更新を実現する。

実験結果

リサーチクエスチョン

• RQ1 ネットワークの進化後、影響拡散の変化を小さなノード集合に局所化できるか。これにより、効率的なインクリメンタル更新が可能か。
• RQ2 過去のtop-K影響力ノードに関する知識を活用することで、動的ネットワークにおける探索空間をどのように縮小できるか。
• RQ3 次数と影響拡散変化の大きさに基づくプルーニングは、影響拡散品質を損なわずにどの程度の効率向上を実現できるか。
• RQ4 インクリメンタルアプローチは、静的影響拡散最大化アルゴリズムと比較して顕著な高速化を達成できるか。また、同等の影響拡散性能を維持できるか。

主な発見

• IncInfは、最先端の静的ヒューリスティックアルゴリズムと比較して、実行時間を最大21倍高速化しながら、同等の影響拡散性能を維持する。
• トポロジー変更後の影響拡散増加が顕著なノードや高次数ノードに焦点を当てることで、探索空間を効果的に縮小する。
• 実世界の動的ネットワーク（Facebook、NetHEPT、Flickr）を用いた実験により、IncInfが大規模な進化ネットワークに良好にスケーリングすることを確認した。
• 影響拡散変化を局所的ネットワーク領域に限定することで、グローバルな再計算なしに効率的な計算が可能になる。
• 過去のtop-K結果に基づくプルーニング戦略により、不要な影響拡散再評価が顕著に削減される。
• インクリメンタル更新であっても、影響拡散推定の精度が高く維持されるため、強力なロバストネスとスケーラビリティを示している。