[論文レビュー] Social Sensor Placement in Large Scale Networks: A Graph Sampling Perspective

Junzhou Zhao, John C. S. Lui+3 more|arXiv (Cornell University)|May 28, 2013

Complex Network Analysis Techniques参考文献 12被引用数 7

ひとこと要約

本稿では、大規模なオンラインソーシャルネットワーク（OSN）における効率的で高精度なソーシャルセンサー配置のためのグラフサンプリングベースのアプローチを提案する。確率的サンプリングにより探索空間を縮小することで、理論的保証を伴う高品質な解を達成する。ランダムウォークベースのサンプリングが頂点サンプリングを上回り、性能の損失を最小限に抑えつつスケーラブルかつ高精度に情報カスケードを検出可能であることが示された。

ABSTRACT

Sensor placement for the purpose of detecting/tracking news outbreak and preventing rumor spreading is a challenging problem in a large scale online social network (OSN). This problem is a kind of subset selection problem: choosing a small set of items from a large population so to maximize some prespecified set function. However, it is known to be NP-complete. Existing heuristics are very costly especially for modern OSNs which usually contain hundreds of millions of users. This paper aims to design methods to find \emph{good solutions} that can well trade off efficiency and accuracy. We first show that it is possible to obtain a high quality solution with a probabilistic guarantee from a "{\em candidate set}" of the underlying social network. By exploring this candidate set, one can increase the efficiency of placing social sensors. We also present how this candidate set can be obtained using "{\em graph sampling}", which has an advantage over previous methods of not requiring the prior knowledge of the complete network topology. Experiments carried out on two real datasets demonstrate not only the accuracy and efficiency of our approach, but also effectiveness in detecting and predicting news outbreak.

研究の動機と目的

• 完全なネットワークトポロジーが不明な大規模なOSNにおいて最適なソーシャルセンサーを選択する課題に対処すること。従来のグリーディアルゴリズムは計算的に非現実的である。
• ユーザーの動的な変化があっても、将来の情報カスケードを高精度に予測できる計算効率の良いソーシャルセンサー配置手法を開発すること。
• 再選択の頻度を高めるために計算コストを低減しながら解の品質を維持すること。これはリアルタイムイベントの追跡にとって不可欠である。
• OSNトポロジーの完全な知識がなくても、解の品質に関する理論的確率的保証を提供すること。
• 単純な頂点サンプリングと比較して、構造的情報を（ランダムウォークを用いて）活用することで、センサー選択の品質が向上することを示すこと。

提案手法

• 情報カスケードの検出を目的として、大規模ネットワーク上での集合関数の最大化問題としてソーシャルセンサー配置を定式化する。
• グラフサンプリング技術を用いて候補集合の縮小戦略を導入し、センサー選択のための探索空間を顕著に縮小する。
• ランダムウォークベースのサンプリングを用いて、OSNの構造的性質を保持する高品質な候補集合を生成する。これは一様な頂点サンプリングを上回る性能を示す。
• 目的関数の下位モジュラリティ（submodularity）を活用し、サンプリングされた候補集合からのグリーディ選択が、高い確率で最適解の (1−1/e) 倍の解を得られることを保証する。
• サンプリングされた候補集合上でグリーディ選択を高速化するため、CELF（Cost-Effective Lazy Forward）最適化手法を適用する。
• ユーザーの活動履歴などの文脈的情報を統合することで、サンプルサイズをさらに縮小し、効率を向上させつつ精度を損なわない。

実験結果

リサーチクエスチョン

• RQ1 グラフサンプリングを用いることで、解の品質と確率的保証を維持したまま、ソーシャルセンサー配置の探索空間を縮小できるか？
• RQ2 ランダムウォークベースのサンプリングは、頂点サンプリングと比較して、ソーシャルセンサー選択における解の品質と効率性の面で優れているか？
• RQ3 グラフサンプリングは、完全なトポロジーを事前に知らない状態でも、大規模なOSNにおける情報カスケードのスケーラブルかつ高精度な検出をどの程度可能にするか？
• RQ4 ユーザーの離脱（churn）やネットワークの動的変化があっても、提案手法が将来の出来事に対する強力な予測性能を維持できるか？
• RQ5 ユーザー活動履歴を正則化ルールとして統合することで、センサー選択の性能と効率性にどのような影響が生じるか？

主な発見

• ランダムウォークベースのグラフサンプリングは、頂点サンプリングよりも高品質な候補集合を生成し、より優れたセンサー選択性能を達成する。
• 提案手法は、高い確率で最適解の約63％（1−1/e）の解品質を達成し、グリーディアルゴリズムの理論的上限と一致する。
• Sina WeiboおよびTwitterにおける実験では、従来のグリーディアルゴリズムよりも著しく効率的でありながら、情報カスケードの検出および予測において高い精度を維持している。
• ユーザー活動履歴を正則化ルールとして統合することで、性能が向上し、必要なサンプルサイズが削減される。これは実証的結果とも整合する。
• 計算効率の高さのおかげで、センサーの頻繁な再選択が可能となり、将来的な出来事の予測能力が向上する。
• 特に大規模ネットワークにおいて、加速グリーディ（AG）などの最先端手法に比べ、スケーラビリティと一貫性のある性能で優れている。