[논문 리뷰] Adaptive Influence Maximization in Social Networks: Why Commit when You can Adapt?

Sharan Vaswani, Laks V. S. Lakshmanan|arXiv (Cornell University)|2016. 04. 27.

Advanced Bandit Algorithms Research참고 문헌 11인용 수 9

한 줄 요약

이 논문은 이전 시드 활성화로부터 실시간 피드백에 기반해 시드 선택을 업데이트하는 사회적 네트워크에서의 적응형 影響 확산 전략을 제안한다. 기존의 모든 시드를 사전에 확정하는 비적응형 방법과 대비된다. 주요 기여는 적응형 정책이 목표 확산 범위를 달성하기 위해 필요한 시드 수를 크게 줄일 수 있음을 보여주며, 특히 제한된 시간 범위에서 확산을 최대화하는 데에는 다소 낮은 성과 향상을 보인다.

ABSTRACT

Most previous work on influence maximization in social networks is limited to the non-adaptive setting in which the marketer is supposed to select all of the seed users, to give free samples or discounts to, up front. A disadvantage of this setting is that the marketer is forced to select all the seeds based solely on a diffusion model. If some of the selected seeds do not perform well, there is no opportunity to course-correct. A more practical setting is the adaptive setting in which the marketer initially selects a batch of users and observes how well seeding those users leads to a diffusion of product adoptions. Based on this market feedback, she formulates a policy for choosing the remaining seeds. In this paper, we study adaptive offline strategies for two problems: (a) MAXSPREAD -- given a budget on number of seeds and a time horizon, maximize the spread of influence and (b) MINTSS -- given a time horizon and an expected number of target users to be influenced, minimize the number of seeds that will be required. In particular, we present theoretical bounds and empirical results for an adaptive strategy and quantify its practical benefit over the non-adaptive strategy. We evaluate adaptive and non-adaptive policies on three real data sets. We conclude that while benefit of going adaptive for the MAXSPREAD problem is modest, adaptive policies lead to significant savings for the MINTSS problem.

연구 동기 및 목표

• 비적응형 확산 최적화의 한계를 해결하기 위해, 피드백 없이 모든 시드를 사전에 선택해야 하는 방식이 실제 환경에서의 성능을 저하시키는 문제를 다루기 위함.
• 제한된 시간 범위 하에서 두 핵심 문제인 MaxSpread(제한된 시드 예산과 시간 범위 내에서 확산 범위를 최대화하는 것)과 MinTss(목표 확산 범위에 도달하기 위해 필요한 시드 수를 최소화하는 것)에 대한 적응형 전략을 연구하기 위함.
• 특히 제한된 시간 범위에서 피드백이 제한될 때 실생활 사회적 네트워크에서 적응성의 실용적 이점을 정량화하기 위함.
• 특히 SMAC(순차적 모델 기반 최적화)를 활용한 확장 가능한 최적화 기법을 개발하고 평가하여 효과적인 적응형 시드 배포 정책을 학습하기 위함.
• 실제 데이터셋을 기반으로 적응형 및 비적응형 정책을 경험적으로 비교하여, 확산 범위, 시드 수, 실행 시간 측면에서 성능을 측정하기 위함.

제안 방법

• 마케터가 시드를 배치 단위로 선택하고 실제 확산 결과를 관찰한 후, 향후 시드 선택을 실시간 피드백에 기반해 업데이트하는 적응형 프레임워크를 제안한다.
• 두 가지 문제를 도입한다: MaxSpread(제한된 예산과 시간 범위 내에서 확산을 최대화하는 것)과 MinTss(목표 확산에 도달하기 위해 필요한 시드 수를 최소화하는 것), 둘 다 제한된 시간 범위와 무한한 시간 범위 조건 하에서 고려한다.
• 마진 기여도를 기반으로 배치 단위로 시드를 선택하는 그레디 적응형 정책을 사용하며, 배치 크기와 간섭 간격을 조정 가능한 파라미터로 설정한다.
• 시간 제약 조건 하에서 최적의 적응형 정책을 탐색하기 위해 SMAC(순차적 모델 기반 최적화)를 활용하며, 정책 구성(배치 크기, 간섭 간격)을 하이퍼파라미터로 간주한다.
• 세 개의 실생활 네트워크(Flixster, NetHEPT, Epinions)를 대상으로 몬테카를로 시뮬레이션을 수행하여 500개의 가능한 네트워크 상태(진짜 세계)를 기반으로 기대 성능을 추정한다.
• 하위모듈라 함수에 대한 이론적 경계를 활용해 그레디 적응형 정책의 성능를 정당화하며, 특정 조건 하에서 적응성이 증명된 이점을 제공함을 보여준다.

실험 결과

연구 질문

• RQ1 실생활 사회적 네트워크에서 시드 선택의 적응성은 비적응형 전략 대비 영향 확산에 어떤 영향을 미치는가?
• RQ2 배치 크기와 간섭 간격이 제한된 시간 범위 하에서 적응형 확산 최적화의 성능에 어떤 영향을 미치는가?
• RQ3 비적응형 방법에 비해 적응형 전략이 목표 확산 범위에 도달하기 위해 필요한 시드 수를 얼마나 줄이는가(특히 MinTss 문제에서)?
• RQ4 시간 제약 조건 하에서 SMAC 기반 최적화는 높은 성능을 보이는 적응형 시드 배포 정책을 얼마나 효과적으로 발견하는가?
• RQ5 적응성의 이점은 MaxSpread 문제와 MinTss 문제 간에 크게 다를까? 만약 그렇다면 그 이유는 무엇인가?

주요 결과

• MinTss 문제에서는 적응형 정책이 비적응형 정책 대비 목표 확산에 도달하기 위해 필요한 시드 수를 최대 30–50%까지 줄일 수 있으며, 특히 제한된 시간 범위에서 두드러진다.
• 제한된 시간 범위 설정(예: T=10)에서 SMAC는 Flixster 네트워크에서 목표 확산의 80%에 도달하기 위해 비적응형 대비 171.11개의 시드만 필요로 하며, 이는 비적응형의 200개 대비 10.54개의 노드 부족만을 보인다.
• MaxSpread 문제에서는 적응성의 이점이 미미하다: 적응형 정책은 높은 확산 범위를 달성하지만, 하위모듈라 성질이 작용한 후 마진 수익 감소로 인해 비적응형 정책보다 뚜렷한 우월성을 보이지 않는다.
• 적응형 정책은 매우 짧은 시간 범위(T=10)에서도 거의 최적의 성능을 달성하며, T가 증가함에 따라 사용된 시드 수가 비적응형의 200개에서 적응형의 177.33개로 감소한다.
• 적응형 배치-그레디 정책은 피드백 라운드 수가 줄어들어 실행 시간이 크게 감소한다. Flixster 데이터셋에서는 배치 크기가 증가함에 따라 계산 시간이 명확히 감소한다.
• T가 네트워크 직경(D)을 초과할 경우, 적응형 정책은 더 큰 간섭 간격(예: T=1000일 때 12)을 사용할 수 있으며, 이는 피드백를 효과적으로 활용하면서도 시드 선택 빈도에 대한 과도한 투자 없이도 효율적으로 작동함을 시사한다.