[논문 리뷰] Budgeted Influence Maximization for Multiple Products

Nan Du, Yingyu Liang외 2명|arXiv (Cornell University)|2013. 12. 08.

Complex Network Analysis Techniques참고 문헌 12인용 수 12

한 줄 요약

이 논문은 다중 제품, 사용자 제약 조건, 캐비닛 예산을 고려한 연속시간 확산 네트워크에서 예산이 제한된 影響 확산 최적화를 위한 적응형 임계값 그린 알고리즘인 BudgetMax를 제안한다. 문제를 매트로이드 및 그룹-냅색 제약 조건 하의 하위모듈러 최적화 문제로 공식화하여 $k_a/(2+2k)$의 증명 가능한 근사 보장을 달성하며, 실제 데이터에서 기존 방법 대비 영향 확산 범위에서 최대 20% 향상을 보였다.

ABSTRACT

The typical algorithmic problem in viral marketing aims to identify a set of influential users in a social network, who, when convinced to adopt a product, shall influence other users in the network and trigger a large cascade of adoptions. However, the host (the owner of an online social platform) often faces more constraints than a single product, endless user attentions, unlimited budget and unbounded time; in reality, multiple products need to be advertised, each user can tolerate only a small number of recommendations, influencing user has a cost and advertisers have only limited budgets, and the adoptions need to be maximized within a short time window. Given theses myriads of user, monetary, and timing constraints, it is extremely challenging for the host to design principled and efficient viral market algorithms with provable guarantees. In this paper, we provide a novel solution by formulating the problem as a submodular maximization in a continuous-time diffusion model under an intersection of a matroid and multiple knapsack constraints. We also propose an adaptive threshold greedy algorithm which can be faster than the traditional greedy algorithm with lazy evaluation, and scalable to networks with million of nodes. Furthermore, our mathematical formulation allows us to prove that the algorithm can achieve an approximation factor of $k_a/(2+2 k)$ when $k_a$ out of the $k$ knapsack constraints are active, which also improves over previous guarantees from combinatorial optimization literature. In the case when influencing each user has uniform cost, the approximation becomes even better to a factor of $1/3$. Extensive synthetic and real world experiments demonstrate that our budgeted influence maximization algorithm achieves the-state-of-the-art in terms of both effectiveness and scalability, often beating the next best by significant margins.

연구 동기 및 목표

• 예산, 사용자 주의력 제한, 시간 창이 동시에 존재하는 상황에서 소셜 네트워크에서 다중 제품의 영향을 최대화하는 현실적인 과제를 해결하기 위해.
• 이산시간 모델보다 실제 영향 확산 동역학을 더 잘 반영하는 연속시간, 제품별로 특화된 네트워크를 사용하여 영향 확산을 모델링하기 위해.
• 원칙적이고 확장 가능한 해결책을 위해 매트로이드와 다중 납색 제약 조건의 교차 구조 하에서 영향 확산 최적화 문제를 하위모듈러 최적화 문제로 공식화하기 위해.
• 복잡한 제약 조건 구조 하에서 증명 가능한 근사 보장을 갖춘 적응형 임계값 그린 알고리즘을 설계하기 위해.
• 합성 및 실제 데이터 세트에서의 평가를 통해 최신 기술 대비 뛰어난 효과성과 확장성 입증하기 위해.

제안 방법

• cascades의 타임스탬프에서 학습된 제품별 확산 네트워크에 대해 연속시간 하위모듈러 최적화 문제로 다중 제품 영향 확산 최적화 문제를 공식화한다.
• 사용자 제한을 위해 매트로이드를, 제품 예산과 사용자별 비용을 위해 다중 납색 제약 조건을 사용하여 제약 조건을 모델링한다.
• 기존의 레이지 평가를 사용하는 그린 알고리즘보다 수렴 속도를 높이고 확장성을 향상시키기 위해 동적으로 선택 임계값을 조정하는 적응형 임계값 그린 알고리즘을 제안한다.
• 각 제품의 확산 네트워크를 타임스탬프에서 학습하기 위해 지수형 쌍별 전파 함수를 사용하여 정확한 영향 추정을 가능하게 한다.
• 학습된 네트워크 위에서 그린 선택 전략을 적용하며, 영향은 시간 창 내에서 하류 수용자 수의 기대값으로 측정된다.
• 이론적 분석을 통해 $k_a$개의 $k$개의 납색 제약 조건이 활성화된 경우 $k_a/(2+2k)$의 근사 비율을 증명한다. 이는 이전의 조합적 경계를 향상시킨다.

실험 결과

연구 질문

• RQ1 다중 제품 설정에서 이산시간 모델에 비해 연속시간 확산 모델이 실제 영향 확산 동역학을 더 잘 포착할 수 있는가?
• RQ2 매트로이드와 다중 납색 제약 조건의 교차 구조 하에서 영향 확산 최적화를 효과적으로 어떻게 공식화할 수 있는가?
• RQ3 이러한 복잡한 제약 조건 하에서 고성능의 확장성과 강력한 이론적 근사 보장을 동시에 확보할 수 있는 알고리즘적 접근은 무엇인가?
• RQ4 실제 데이터에서 제안된 방법이 기존의 그린 알고리즘 및 이산시간 기반 기준 대비 성능과 내성에 대해 어떻게 비교되는가?
• RQ5 적응형 임계값 그린 알고리즘은 영향 품질을 손상시키지 않고 런타임 효율성을 얼마나 향상시키는가?

주요 결과

• 제안된 BudgetMax 알고리즘은 64개의 제품별 확산 네트워크를 포함한 실제 데이터 세트에서 다음으로 우수한 방법 대비 평균 20%의 영향 확산 범위 향상을 달성하였다.
• 이 알고리즘은 수백만 개의 노드를 포함한 네트워크에서도 효율적으로 확장 가능하여 뛀난 실용적 타당성을 입증하였다.
• 균일 비용 케이스에서 $1/3$의 향상된 근사 보장을 달성하여 이전의 이론적 경계를 초월하였다.
• 유도된 이산시간 네트워크를 사용하는 Greedy(discrete) 기준 대비 상당히 뛰어난 성능을 보였으며, 연속시간 모델링의 장점을 입증하였다.
• 할당 시각화 결과에서 선택된 노드들은 일반적으로 영향력이 큰 미디어 사이트(예: nytimes.com, cnn.com)와 니치 출판사들이었으며, 신속하고 광범위한 확산을 위한 전략적 배치임을 시사하였다.
• 제품 수, 제품 예산, 사용자 제약 조건, 시간 창 등 다양한 매개변수 변화에 대해 일관된 성능 향상이 관찰되어 매개변수 변화에 대한 강건성을 확인하였다.