[논문 리뷰] Competitive Influence Maximization: Integrating Budget Allocation and Seed Selection

Amirhossein Ansari, Masoud Dadgar외 3명|arXiv (Cornell University)|2019. 12. 27.

Game Theory and Applications참고 문헌 25인용 수 5

한 줄 요약

이 논문은 사회적 네트워크에서 이산적 예산 배정과 시드 선택을 통합하는 경쟁적 影響 확산 최적화를 위한 새로운 프레임워크를 제안한다. 경쟁을 사전에 특정된 영향력 있는 노드 기반 게임으로 모델링하며, 지ay 보상 추정 방법과 최적 반응 오라클을 도입하여 나시 균형을 효율적으로 계산한다. 실제 네트워크에서의 실험에서 비균형 전략보다 뛰어난 성능을 보였다.

ABSTRACT

Today, many companies take advantage of viral marketing to promote their new products, and since there are several competing companies in many markets, Competitive Influence Maximization has attracted much attention. Two categories of studies exist in the literature. First, studies that focus on which nodes from the network to select considering the existence of the opponents. Second, studies that focus on the problem of budget allocation. In this work, we integrate these two lines of research and propose a new scenario where competition happens in two phases. First, parties identify the most influential nodes of the network. Then they compete over only these influential nodes by the amount of budget they allocate to each node. We provide a strong motivation for this integration. Also, in previous budget allocation studies, any fraction of the budget could be allocated to a node, which means that the action space was continuous. However, in our scenario, we consider that the action space is discrete. This consideration is far more realistic, and it significantly changes the problem. We model the scenario as a game and propose a novel framework for calculating the Nash equilibrium. Notably, building an efficient framework for this problem with such a huge action space and also handling the stochastic environment of influence maximization is very challenging. To tackle these difficulties, we devise a new payoff estimation method and a novel best response oracle to boost the efficiency of our framework. Also, we validate each aspect of our work through extensive experiments.

연구 동기 및 목표

• 기존의 경쟁적 영향 확산 최적화 연구에서 시드 선택과 예산 배정을 별개의 문제로 다루는 격차를 보완하기 위해.
• 기업이 먼저 영향력 있는 노드를 식별한 후 이산적 예산 제안을 통해 경쟁하는 더 현실적인 시나리오를 모델링하기 위해.
• 이산 행동 공간을 가진 게임 이론적 설정에서 나시 균형을 효율적으로 계산하기 위한 프레임워크를 개발하기 위해.
• 이전 연구에서 연속적 예산 가정을 이산적이고 현실 적용 가능한 배정으로 대체하여 개선하기 위해.
• 대칭 설정에서 어떤 최적 반응에도 질 수 없도록 전략적 강건성을 확보하기 위해.

제안 방법

• 경쟁적 영향 확산 문제를 고정된 영향력 있는 노드 집합을 둘러싸고 경쟁하는 두 명의 플레이어로 구성된 게임으로 모델링한다.
• 스토케스틱 확산 모델 하에서 예상 영향 확산을 근사하기 위해 새로운 지급 보상 추정 방법을 사용한다.
• 더블 오라클 프레임워크에서 전략을 반복적으로 개선하기 위해 최적 반응 오라클을 구현한다.
• RR-세트 기반의 영향 확산 추정을 활용하여 나시 균형에 수렴하는 더블 오라클 알고리즘을 적용한다.
• IMM 및 기타 RR-세트 기반 방법과 호환되는 TIM+ 알고리즘을 통합하여 효율적인 영향 확산 계산을 수행한다.
• 영향력 있는 노드에 대한 추상화를 통해 큰 이산 행동 공간을 처리하며, 계산 복잡도를 감소시킨다.

실험 결과

연구 질문

• RQ1 이산적 예산 배정은 어떻게 경쟁적 영향 확산 최적화에 통합되어 실제 마케팅 관행을 반영할 수 있는가?
• RQ2 이산 행동 공간과 연속 행동 공간은 경쟁적 영향 게임의 전략적 행동과 균형 결과에 어떤 영향을 미치는가?
• RQ3 이산 행동을 가진 게임 이론적 프레임워크는 대규모 사회적 네트워크에서 나시 균형을 효율적으로 계산할 수 있는가?
• RQ4 성능 및 강건성 측면에서 제안된 프레임워크는 비균형 전략보다 어떻게 비교되는가?
• RQ5 대칭 설정에서 이 프레임워크는 전략적 우월성을 얼마나 유지하는가?

주요 결과

• 제안된 프레임워크는 항상 비나시 전략보다 뛰어나며, 어떤 비균형 전략이라도 그 최적 반응에 질 수 있다.
• 대칭 설정에서 프레임워크는 손실이 없음을 보장하여 전략적 우월성을 입증한다.
• CA-HepTh 네트워크에서 프레임워크는 57.1%의 영향 확산을 달성했으며, 최적 반응 대비 17.3%의 지급 우위를 확보했다.
• p2p 네트워크에서는 54.6%의 영향 확산을 달성했고, 고도의 경쟁 상황에서도 43.0%의 지급 이득을 기록하여 강력한 성능을 보였다.
• 가장 큰 데이터셋(k=30)에서 ε=0.5일 때 더블 오라클 알고리즘이 20시간 이내에 수렴하여, 큰 행동 공간에도 불구하고 확장성을 입증했다.
• 실행 시간은 그래프 크기보다는 k와 영향력 있는 노드 값의 분포에 주로 영향을 받으며, 영향력 있는 노드에 대한 추상화 덕분이다.