[論文レビュー] Online Influence Maximization (Extended Version)

Siyu Lei, Silviu Maniu+3 more|arXiv (Cornell University)|Jun 3, 2015

Spam and Phishing Detection参考文献 25被引用数 42

ひとこと要約

本稿では、初期に影響確率が不明である状況下での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オンライン影響力最大化（OIM）フレームワークを提案する。OIMは複数回の試行において、探索と活用の戦略を用い、実世界のフィードバックをもとに逐次的にシードノードを選択し、影響確率の推定値を更新することで、部分的情報設定下での従来のオフライン手法に比べて顕著に性能を向上させる。

ABSTRACT

Social networks are commonly used for marketing purposes. For example, free samples of a product can be given to a few influential social network users (or "seed nodes"), with the hope that they will convince their friends to buy it. One way to formalize marketers' objective is through influence maximization (or IM), whose goal is to find the best seed nodes to activate under a fixed budget, so that the number of people who get influenced in the end is maximized. Recent solutions to IM rely on the influence probability that a user influences another one. However, this probability information may be unavailable or incomplete. In this paper, we study IM in the absence of complete information on influence probability. We call this problem Online Influence Maximization (OIM) since we learn influence probabilities at the same time we run influence campaigns. To solve OIM, we propose a multiple-trial approach, where (1) some seed nodes are selected based on existing influence information; (2) an influence campaign is started with these seed nodes; and (3) users' feedback is used to update influence information. We adopt the Explore-Exploit strategy, which can select seed nodes using either the current influence probability estimation (exploit), or the confidence bound on the estimation (explore). Any existing IM algorithm can be used in this framework. We also develop an incremental algorithm that can significantly reduce the overhead of handling users' feedback information. Our experiments show that our solution is more effective than traditional IM methods on the partial information.

研究の動機と目的

• ユーザー間の影響確率が未知または不完全な状況における影響力最大化の課題に対処すること。
• 影響キャンペーンを実行している最中に、影響確率をリアルタイムで学習するフレームワークの開発。
• 事前の影響確率の知識が得られない現実世界の設定において、影響キャンペーンの有効性を向上させること。
• 繰り返し実施されるキャンペーンにおける影響確率推定値の更新に伴う計算コストを低減すること。

提案手法

• 複数回の試行を経るオンライン影響力最大化（OIM）フレームワークを提案。各試行は選択フェーズと実行フェーズに分けられる。
• 探索と活用の戦略を採用：現在の影響確率推定値を活用してシードノードを選択するか、不確実な領域を探索するために信頼区間を用いる。
• 共役事前分布を用いたベイジアン更新メカニズムを採用し、影響確率における不確実性を維持・精緻化する。
• 前回の試行で得たサンプルを再利用することで、グラフ更新時の計算コストを低減するインクリメンタルアルゴリズム「CB-INC」を導入。
• 選択フェーズでは、推定された影響確率を用いて最先端のIMアルゴリズム（例：CELF、TIM+）を適用。
• 各キャンペーン試行におけるユーザーのフィードバックに基づき、最尤推定（MLE）を用いて影響確率分布を更新。

実験結果

リサーチクエスチョン

• RQ1 初期の影響確率が不明または不完全な状況でも、影響力最大化を効果的に行うことができるか？
• RQ2 リアルタイムキャンペーンにおいて、新しい影響確率の学習と影響力の拡散の最大化のバランスを取るための探索活用戦略はどのように設計できるか？
• RQ3 インクリメンタルなグラフ更新技術は、影響力の拡散を損なわせることなく、計算効率にどのような影響を与えるか？
• RQ4 試行回数と予算配分の変化が、オンライン影響力最大化のパフォーマンスに与える影響は何か？

主な発見

• DBLPデータセットにおいて、非インクリメンタルなCBと比較して、CB-INCは最大16時間の実行時間短縮を達成。N ≥ 10の条件下で80–99%のサンプル再利用率を達成。
• CBおよびCB-INCは、τに応じて、オラクル（真の影響グラフ）の3–15%以内の影響力拡散を達成。τ = 0.01のときが最も高い拡散を示す。
• CB-INCを用いたOIMの影響力拡散は、試行回数が増えるにつれて常にオラクルに近く、安定した性能を示す。
• kが小さいと効率が低下するが、kが大きくなるほどCB-INCはCBよりも顕著な改善を示す。
• τの値を小さくする（例：0.01）と拡散性能が向上するが、より厳しいグローバルチェックのため、効率が28–38%低下する。
• NetPHY、NetHEPT、DBLPの各データセットにおいて、ヒューリスティック手法（Random、MaxDegree）に比べ、影響力拡散と効率の両面で顕著に優れた性能を発揮。