[論文レビュー] Revisiting Non-Progressive Influence Models: Scalable Influence Maximization

Golshan Golnari, T Amir Asiaee+2 more|arXiv (Cornell University)|Dec 18, 2014

Complex Network Analysis Techniques参考文献 20被引用数 3

ひとこと要約

本稿では、社会的ネットワークにおけるユーザーの可逆的行動を捉える、非進行的影響モデルとしての熱伝導（HC）モデルを紹介する。このモデルは、Voterモデルや非進行的LTモデルを統合・拡張し、新たなモデルを提供する。また、影響拡散とシードノード選定の閉形式計算を可能にするスケーラブルでグリーディなアルゴリズムC2Greedyを提案し、大規模ネットワークにおいて近似的に最適な影響拡大を達成する。理論的保証付きで、最先端手法を上回る性能を発揮する。

ABSTRACT

While influence maximization in social networks has been studied extensively in computer science community for the last decade the focus has been on the progressive influence models, such as independent cascade (IC) and Linear threshold (LT) models, which cannot capture the reversibility of choices. In this paper, we present the Heat Conduction (HC) model which is a non-progressive influence model with real-world interpretations. We show that HC unifies, generalizes, and extends the existing nonprogressive models, such as the Voter model [1] and non-progressive LT [2]. We then prove that selecting the optimal seed set of influential nodes is NP-hard for HC but by establishing the submodularity of influence spread, we can tackle the influence maximization problem with a scalable and provably near-optimal greedy algorithm. We are the first to present a scalable solution for influence maximization under nonprogressive LT model, as a special case of the HC model. In sharp contrast to the other greedy influence maximization methods, our fast and efficient C2GREEDY algorithm benefits from two analytically computable steps: closed-form computation for finding the influence spread as well as the greedy seed selection. Through extensive experiments on several large real and synthetic networks, we show that C2GREEDY outperforms the state-of-the-art methods, in terms of both influence spread and scalability.

研究の動機と目的

• 非進行的モデルにおける影響拡大のためのスケーラブルな解決策の不足に応えること。これは、サービスプロバイダーの入れ替えや研究分野の変更といった現実世界の可逆的行動をよりよく反映する。
• 社会的および非社会的影響（例：マスコミ効果、ユーザーの慣性）を両方捉える統一的かつ解釈可能な影響モデルの構築。
• HCモデル下での影響拡大がNP困難であることを証明し、効率的な近似アルゴリズムの必要性を示すこと。
• モンテカルロシミュレーションを回避し、大規模ネットワークでも高速に計算可能なスケーラブルなアルゴリズムの設計。
• 実世界のネットワーク、特に研究分野の採用に関する新しい非進行的カスケードデータセットを用いた実験的検証。

提案手法

• Voterモデルや非進行的LTモデルを一般化し、社会的および非社会的影響を組み込んだ非進行的影響モデルとして、熱伝導（HC）モデルを提案。
• HCモデル下での影響拡散の下流性（submodularity）を確立し、理論的性能保証付きのグリーディ近似アルゴリズムの適用を可能にする。
• 影響拡散計算の閉形式解析的表現を導出し、高コストなモンテカルロシミュレーションの必要性を排除。
• 次の最良シードノードを特定する閉形式のグリーディ選択ルールを設計し、シミュレーションなしでノード1つあたりO(1)の評価が可能に。
• 閉形式の影響拡散とシード選定を統合したC2Greedyアルゴリズムを提案。これにより、高いスケーラビリティと効率性を実現。
• マルコフ連鎖理論と確率解析を用いて、無限時間枠における影響ダイナミクスの正確で解析可能な解を導出。

実験結果

リサーチクエスチョン

• RQ1 サービスプロバイダーの入れ替えや研究分野の変更といった現実世界の可逆的行動を捉える非進行的影響モデルを設計できるか？
• RQ2 提案された熱伝導モデル下での影響拡大はNP困難であるか？ もしそうであれば、理論的保証付きの近似解法で効率的に解けるか？
• RQ3 非進行的モデル下で、影響拡散およびグリーディなシード選定の両方について、閉形式の解析的解が導けるか？ これによりモンテカルロシミュレーションへの依存を排除できるか？
• RQ4 C2Greedyアルゴリズムの性能は、大規模な実際および合成ネットワークにおける影響拡散とスケーラビリティの面で、最先端手法と比較してどうなるか？
• RQ5 Voterモデルのような合意形成型モデルと比較して、HCモデルは複数の製品採用の共存をよりよく説明できるか？

主な発見

• C2Greedyは、10,604人の著者と168,918本のエッジを持つMLWFWネットワークを含む、実世界および合成ネットワークにおいて、最先端手法を大きく上回る影響拡散を達成。
• 数十万ノード、ほぼ100万エッジのネットワークに対しても、数分で影響拡大を完了し、高いスケーラビリティを示した。
• C2Greedyは標準的なベースラインだけでなく、「最も引用の多い著者」という、学術的影響評価において広く知られたヒューリスティックに対しても優れた性能を発揮。
• 進行的モデル（例：IC、LT）で最も影響力のあるノードが、非進行的モデル下でも常に影響力を持つとは限らない。これにより、専用のアルゴリズムの必要性が浮き彫りになった。
• HCモデルは、ユーザーが時間経過とともに研究分野を切り替えるような、非進行的カスケードを効果的に捉えることができた。
• 本研究では、学術的キャリケーションネットワークに基づく、非公開でない非進行的カスケードデータセットを初めて公開。今後の研究の基盤を提供する。