[논문 리뷰] Algorithmic Design for Competitive Influence Maximization Problems

Yishi Lin, John C. S. Lui|arXiv (Cornell University)|2014. 10. 31.

Optimization and Search Problems참고 문헌 5인용 수 3

한 줄 요약

이 논문은 새로운 일반 경쟁적 독립 캐스케이드(GCIC) 모델 하에서 경쟁적 影響 확산 최적화(CIM)를 위한 일반적인 알고리즘 프레임워크인 TCIM을 제안한다. 이는 높은 확률로 (1−1/e−ε)-근사값을 달성하며, 이전 최고 성능을 기록한 그레디 알고리즘보다 최대 4개 지수 차수 빠르게 작동하여, 다양한 영향 확산 모델에서 강력한 이론적 보장과 효율적인 성능을 동시에 확보한 최초의 실용적 프레임워크이다.

ABSTRACT

Given the popularity of the viral marketing campaign in online social networks, finding an effective method to identify a set of most influential nodes so to compete well with other viral marketing competitors is of upmost importance. We propose a "General Competitive Independent Cascade (GCIC)" model to describe the general influence propagation of two competing sources in the same network. We formulate the "Competitive Influence Maximization (CIM)" problem as follows: Under a prespecified influence propagation model and that the competitor's seed set is known, how to find a seed set of $k$ nodes so as to trigger the largest influence cascade? We propose a general algorithmic framework TCIM for the CIM problem under the GCIC model. TCIM returns a $(1-1/e-ε)$-approximate solution with probability at least $1-n^{-\ell}$, and has an efficient time complexity of $O(c(k+\ell)(m+n)\log n/ε^2)$, where $c$ depends on specific propagation model and may also depend on $k$ and underlying network $G$. To the best of our knowledge, this is the first general algorithmic framework that has both $(1-1/e-ε)$ performance guarantee and practical efficiency. We conduct extensive experiments on real-world datasets under three specific influence propagation models, and show the efficiency and accuracy of our framework. In particular, we achieve up to four orders of magnitude speedup as compared to the previous state-of-the-art algorithms with the approximate guarantee.

연구 동기 및 목표

• 바이러럴 마케팅 시나리오에서 경쟁적 영향 확산 최적화(CIM) 문제에 대해 강력한 근사 보장과 함께 효율적인 알고리즘이 부족한 문제를 해결하기 위해.
• 소셜 네트워크에서 다양한 경쟁적 동역학을 포괄하는 일반적인 영향 확산 모델—일반 경쟁적 독립 캐스케이드(GCIC)—를 체계화하기 위해.
• 다양한 영향 확산 모델 전반에서 높은 품질의 해를 보장하면서도 실용적인 런타임 효율성을 확보하는 통합 알고리즘 프레임워크인 TCIM을 설계하기 위해.
• 세 가지 다른 영향 확산 모델 하에서 실제 데이터셋을 대상으로 TCIM의 효율성과 효과를 실증적으로 검증하기 위해.

제안 방법

• 네트워크 내에서 두 경쟁적 소스 간의 영향 확산 역학을 일반화하기 위해 일반 경쟁적 독립 캐스케이드(GCIC) 모델을 제안한다.
• 경쟁적 영향 확산 최적화(CIM) 문제를, 알려진 경쟁자 시드 집합이 주어졌을 때 k개의 시드 노드를 선택하여 영향 확산 범위를 최대화하는 것으로 수식화한다.
• 영향을 효율적으로 추정하고 시드를 선택하기 위해 랜덤화된 RAPG(역활성 경로 그래프) 샘플링을 사용하는 이단계 경쟁적 영향 확산 최적화(TCIM) 프레임워크를 설계한다.
• 두 단계 접근 방식을 통합한다: 첫 번째로, RAPG 샘플링을 통해 최적 영향의 하한을 추정하고, 두 번째로 추정된 하한을 기반으로 가장 높은 마진 성과를 보이는 k개 노드를 선택한다.
• 집중 불등식과 확률적 분석을 활용하여, 확률 최소 1−n−ℓ에서 (1−1/e−ε)-근사값을 보장한다.
• 정확성과 효율성의 균형을 위해 ε, ℓ 및 네트워크 크기에 따라 RAPG 샘플 수를 조정하며, 복잡도가 O(c(ℓ+k)(m+n)log n/ε²)로 스케일링된다.

실험 결과

연구 질문

• RQ1 다양한 영향 확산 모델에서 (1−1/e−ε)-근사 보장이 유지되는 경쟁적 영향 확산 최적화(CIM)를 위한 일반 알고리즘 프레임워크를 설계할 수 있는가?
• RQ2 이러한 프레임워크의 계산 효율성을 향상시켜 대규모 네트워크에서 실용적으로 사용할 수 있도록 할 수 있는가?
• RQ3 다양한 영향 확산 모델(예: 캠페인 무관, 거리 기반, 웨이브)이 TCIM 프레임워크의 성능과 복잡도에 미치는 영향은 어떠한가?
• RQ4 해당 근사 보장이 있는 기존 그레디 알고리즘 대비 TCIM이 런타임 측면에서 얼마나 뛰어나며, 해 품질은 유지하는가?

주요 결과

• TCIM는 확률 최소 1−n−ℓ에서 (1−1/e−ε)-근사값을 달성하여 강력한 이론적 성능 보장을 제공한다.
• k=50, ε=0.1, ℓ=1일 때, TCIM는 최고 성능 그레디 알고리즘과 유사한 해를 도출하지만, NetHEPT(75,879개 노드, 508,837개 간선)와 같은 대규모 네트워크에서 최대 4개 지수 차수 빠르게 작동한다.
• NetHEPT 데이터셋에서 ε=0.5일 경우 TCIM는 7초 이내에 완료되고, ε=0.1일 경우 6분 이내에 완료되어 높은 확장성을 입증한다.
• TCIM의 런타임은 ε 증가함에 따라 감소하며, 이는 O(1/ε²) 복잡도 의존성과 일치하여, 더 느슨한 근사 한계를 허용함으로써 더 빠른 실행이 가능하다.
• 메모리 소비는 모델에 따라 달라진다: 캠페인 무관 모델에서 가장 낮고, 거리 기반 모델에서 중간이며, 웨이브 전파 모델에서 가장 높다. 이는 RAPG 인스턴스 저장 요구 사항의 차이로 인한 것이다.
• k가 증가함에 따라 필요한 RAPG 인스턴스 수가 감소하여 런타임과 메모리 사용량이 감소하며, 특히 하한 LB_r이 λ보다 더 빠르게 증가할 경우 두드러진다.