[논문 리뷰] Balancing Relevance and Diversity in Online Bipartite Matching via Submodularity

John P. Dickerson, Karthik Abinav Sankararaman외 2명|arXiv (Cornell University)|2018. 11. 13.

Optimization and Search Problems참고 문헌 43인용 수 4

한 줄 요약

이 논문은 확률적 도착을 갖는 온라인 이분 그래프에서 매칭된 간선 위의 단조 증가하는 부분모듈라 함수를 최대화하는 것을 목표로 하는 온라인 부분모듈라 이분 매칭(Online Submodular Bipartite Matching, OSBM) 문제를 제안한다. 저자들은 새로운 알고리즘인 MMP-ALG와 CR-ALG를 제안하며, 이는 상수 요율의 경쟁 비율을 확보하며 이론적 보장과 실제 데이터 기반 검증을 통해 예산 추가 및 커버리지 함수에서 모두 성능을 입증한다.

ABSTRACT

In bipartite matching problems, vertices on one side of a bipartite graph are paired with those on the other. In its online variant, one side of the graph is available offline, while the vertices on the other side arrive online. When a vertex arrives, an irrevocable and immediate decision should be made by the algorithm; either match it to an available vertex or drop it. Examples of such problems include matching workers to firms, advertisers to keywords, organs to patients, and so on. Much of the literature focuses on maximizing the total relevance---modeled via total weight---of the matching. However, in many real-world problems, it is also important to consider contributions of diversity: hiring a diverse pool of candidates, displaying a relevant but diverse set of ads, and so on. In this paper, we propose the Online Submodular Bipartite Matching (\osbm) problem, where the goal is to maximize a submodular function $f$ over the set of matched edges. This objective is general enough to capture the notion of both diversity (\emph{e.g.,} a weighted coverage function) and relevance (\emph{e.g.,} the traditional linear function)---as well as many other natural objective functions occurring in practice (\emph{e.g.,} limited total budget in advertising settings). We propose novel algorithms that have provable guarantees and are essentially optimal when restricted to various special cases. We also run experiments on real-world and synthetic datasets to validate our algorithms.

연구 동기 및 목표

• 기존의 온라인 이분 매칭 기법이 총 가중치에만 초점을 맞추는 데에 한계가 있다는 점을 해결하기 위해, 목적 함수에 다양성을 통합한다.
• 관련성과 다양성을 모두 포괄할 수 있는 일반적인 온라인 매칭 모델인 OSBM을 제안하며, 이는 매칭된 간선 위의 단조 증가하는 부분모듈라 함수를 최대화하는 것을 목표로 한다.
• 스토캐스틱 도착 조건 하에서도 성능 보장을 보장하는 이론적 경쟁 비율을 확보한 온라인 알고리즘을 설계한다.
• 실제 및 합성 데이터 세트에서 제안된 알고리즘을 검증하여, 예산 추가 및 커버리지 함수와 같은 다양한 부분모듈라 목적 함수에서 뛰어난 실증 성능을 입증한다.

제안 방법

• 시간 간격 T 내에서 오프라인 정점 집합 U와 확률적 도착을 보이는 온라인 정점 집합 V를 갖는 온라인 이분 매칭 설정으로 문제를 모델링한다.
• 매칭된 간선 집합 위에서 단조 증가하는 부분모듈라 함수 f를 최대화하는 목적 함수를 정의하며, 이는 선형(관련성) 및 커버리지(다양성) 함수를 일반화한다.
• 두 가지 알고리즘을 제안한다: MMP-ALG(부분모듈라 마진 수익을 고려한 매칭 우선 순위 기반)와 CR-ALG(LP 타월화를 통한 경쟁 비율 분석 기반).
• 부분모듈라 목적 함수의 선형 프로그래밍 타월화를 통해 이론적 경쟁 비율을 유도하며, 도착률(rv)과 단위 용량(각 u는 최대 한 번만 매칭 가능)에 대한 제약 조건을 설정한다.
• 부분모듈라 최적화 및 온라인 알고리즘의 기법을 적용하며, 분수형 LP 해와 라운딩 전략을 활용해 취소 불가능한 결정을 보장한다.
• 이중 적합 기법과 랜덤라이즈드 라운딩을 통합하여 분수형 해를 정수형 매칭으로 변환하면서 경쟁 비율을 유지한다.

실험 결과

연구 질문

• RQ1 확률적 도착 조건 하에서도 상수 요율의 경쟁 비율을 확보하는 부분모듈라 이분 매칭에 대한 온라인 알고리즘을 설계할 수 있는가?
• RQ2 커버리지나 예산 추가 함수처럼 관련성과 다양성을 모두 반영하는 목적 함수에서 알고리즘이 어떻게 성능을 발휘하는가?
• RQ3 오프라인 정점의 용량(b)을 변화시킬 경우 경쟁 비율과 실증 성능에 어떤 영향을 미치는가?
• RQ4 기본 히우리스틱인 그레디 및 NEG-CR과 비교했을 때, 제안된 알고리즘은 다양한 부분모듈라 목적 함수에서 경쟁 비율과 강인성 측면에서 어떻게 다른가?

주요 결과

• 제안된 MMP-ALG 및 CR-ALG 알고리즘은 다양한 부분모듈라 목적 함수에서 OSBM 문제에 대해 상수 요율의 경쟁 비율을 확보하며 이론적 보장을 제공한다.
• 예산 추가 함수 설정에서 MMP-ALG와 CR-ALG는 기준 히우리스틱(그레디 및 NEG-CR)을 크게 능가하며, 각각 0.63 이상과 0.20 이상의 경쟁 비율을 확보하여 이론적 기준을 초월한다.
• 커버리지 함수의 경우 b=1일 때 그레디가 더 우수한 성능을 보이나, b가 증가함에 따라 제안된 알고리즘이 그레디의 성능을 따라하거나 능가함을 확인하여 뛰어난 확장성 확보.
• 경쟁 비율은 b가 증가함에 따라 약간 상승하지만 극적으로 증가하지 않아, b=1에서의 분석이 높은 용량에서의 성능 이해에 좋은 근사치가 된다는 점을 시사한다.
• 40개의 오프라인 정점과 200개의 온라인 타입(커버리지 함수) 및 100개의 오프라인 정점과 200개의 온라인 타입(예산 추가 함수)을 갖는 합성 데이터 세트에서의 실험 결과, 알고리즘의 강인성과 효과성을 확인하였다.
• 실험 결과는 이론적 경쟁 비율이 실생활에서도 의미 있는 성능을 보이며, 다양한 부분모듈라 함수 유형과 도착률 분포에서 일관된 성능을 보임을 검증하였다.