[論文レビュー] Popular Topics Spread Faster: New Dimension for Influence Propagation in Online Social Networks

Tianyi Pan, Alan Kuhnle+2 more|arXiv (Cornell University)|Feb 7, 2017

Complex Network Analysis Techniques参考文献 9被引用数 5

ひとこと要約

本稿では、オンラインソーシャルネットワーク（OSN）においてトピックが人気になると情報がより速く広がる現実の現象を捉える、新しい動的インフルエンスプロパゲーション（DIP）モデルを提案する。動的プロパゲーションレートを伴う難易度の高い問題、DIPにおけるしきい値活性化問題（TAP-DIP）を導入し、2log|V|の近似比を有するFASTアルゴリズムを提示。実OSNデータセット上での実験により、静的モデルと比較して、種子集合の効率性とスケーラビリティに優れていることが示された。

ABSTRACT

Information can propagate among Online Social Network (OSN) users at a high speed, which makes the OSNs become important platforms for viral marketing. Although the viral marketing related problems in OSNs have been extensively studied in the past decade, the existing works all assume known propagation rates and are not able to solve the scenario when the rates may dynamically increase for popular topics. In this paper, we propose a novel model, Dynamic Influence Propagation (DIP), which allows propagation rates to change during the diffusion and can be used for describing information propagation in OSNs more realistically. Based on DIP, we define a new research problem: Threshold Activation Problem under DIP (TAP-DIP). TAP-DIP is more generalized than TAP and can be used for studying the DIP model. However, it adds another layer of complexity over the already \#P-hard TAP problem. Despite it hardness, we are able to approximate TAP-DIP with $O(\log|V|)$ ratio. Our solution consists of two major parts: 1) the Lipschitz optimization technique and 2) a novel solution to the general version of TAP, the Multi-TAP problem. We experimentally test our solution Using various real OSN datasets, and demonstrate that our solution not only generates high-quality yet much smaller seed sets when being aware of the rate increase, but also is scalable. In addition, considering DIP or not has a significant difference in seed set selection.

研究の動機と目的

• トピックが人気になるとプロパゲーションレートが上昇するオンラインソーシャルネットワーク（OSN）における動的インフルエンスプロパゲーションをモデル化すること。
• 動的レートを組み込んだ動的レートにおける最小種子集合を特定する新しい問題、TAP-DIPを形式化すること。
• 静的モデルの最良近似比に近い、保証された近似比を有する効率的なアルゴリズム、FASTを設計すること。
• 現実のOSNデータセットにおいて、動的レート上昇を考慮することで、種子集合が顕著に小さく、かつ高品質になることを実証的に検証すること。

提案手法

• トピックが人気になると（トレンド状態）インフルエンスを受けたノード数が事前に定義された閾値を超えると、プロパゲーションレートが上昇するDIPモデルを提案。
• 動的レート変化を組み込んだ静的TAPを一般化した、TAP-DIPを新しい問題として定式化。
• Lipschitz最適化を用いて、レート上昇の最適タイミングを推定するFASTアルゴリズムを開発。これにより、問題が固定時間の部分問題に還元される。
• 2つの主要なサブルーチンを設計：MTAPを解くMMinSeedと、動的設定に適したMulti-Influence Maximization（MIM）を解くMulti-IM。
• 固定されたレート上昇時刻を想定した部分問題に対して、逆サンプリング技術を適用。これにより、グローバル状態依存性にもかかわらず、スケーラブルなインフルエンス推定が可能になる。
• 感度分析とヒートマップを用いて、レート上昇タイミングの意思決定に与えるパラメータの影響を評価。

実験結果

リサーチクエスチョン

• RQ1 トピックが人気になるとレートが上昇する動的プロパゲーションが、オンラインソーシャルネットワークにおけるインフルエンス拡散に与える影響は何か？
• RQ2 プロパゲーションレートが現在のインフルエンスを受けたノード数に依存する動的状態において、インフルエンス拡散問題をモデル化・解くことは可能か？
• RQ3 新しいTAP-DIP問題の近似比はどの程度達成可能であり、その複雑性が増しているにもかかわらず、効率的に計算可能か？
• RQ4 現実のOSNデータセットにおいて、動的レートを考慮することで、種子集合のサイズと品質にどのような影響が生じるか？

主な発見

• DIPモデルは、約4,000件のTwitterトレンドトピックのリツイートデータを用いた実証的検証により、トピックが人気になるとプロパゲーション速度が顕著に向上することを確認した。
• FASTはTAP-DIPに対して2log|V|の近似比を達成しており、これは静的TAP問題における既知の最良近似比に近い。
• 全テストデータセットにおいて、FASTはベースライン手法と比較して顕著に小さい種子集合を生成したが、依然として活性化しきい値を満たした。特にLiveJournalでは最も顕著な改善が得られた。
• 感度分析から、トレンド化を引き起こすために必要なノード数が多いほど、FASTはレート上昇を遅らせる傾向にあり、トレンド後レートが低い場合には早期の上昇を回避する傾向にあることが判明。これはコストを考慮した意思決定を示している。
• 実験から、動的レート上昇を無視すると、種子集合が最適でなく、しばしば必要な数よりもはるかに多くのノードを活性化してしまうことが明らかになった。これは、サイズの縮小の余地があることを示している。
• アルゴリズムは、小規模（Facebook、WikiVote）、中規模（Gplus、Twitter）、大規模（LiveJournal、Pokec）の多様なOSNデータセットにおいて、スケーラブルかつ効果的であることが保証された。