[논문 리뷰] Don't Be Greedy: Leveraging Community Structure to Find High Quality Seed Sets for Influence Maximization

Rico Angell, Grant Schoenebeck|arXiv (Cornell University)|2016. 09. 21.

Complex Network Analysis Techniques참고 문헌 20인용 수 4

한 줄 요약

이 논문은 사회적 네트워크의 계층적 커뮤니티 구조를 활용하여 영향력 확산 최적화를 위한 고영향력 시드 세트를 식별하는 동적 프로그래밍 기반 휴리스틱인 DPIM을 제안한다. 비하위모듈러 캐스케이드에서 집합적으로 배치된 시드가 산산이 흩어진 경우보다 더 뛰어난 상호보완 효과를 보이는 점을 고려하여, DPIM은 비하위모듈러 모델에서 그레디 알고리즘 대비 최대 55% 높은 영향력을 기록하며, 최악의 경우에 대해 Θ(√n) 향상이라는 이론적 보장을 확보한다.

ABSTRACT

We consider the problem of maximizing the spread of influence in a social network by choosing a fixed number of initial seeds --- a central problem in the study of network cascades. The majority of existing work on this problem, formally referred to as the influence maximization problem, is designed for submodular cascades. Despite the empirical evidence that many cascades are non-submodular, little work has been done focusing on non-submodular influence maximization. We propose a new heuristic for solving the influence maximization problem and show via simulations on real-world and synthetic networks that our algorithm outputs more influential seed sets than the state-of-the-art greedy algorithm in many natural cases, with average improvements of 7% for submodular cascades, and 55% for non-submodular cascades. Our heuristic uses a dynamic programming approach on a hierarchical decomposition of the social network to leverage the relation between the spread of cascades and the community structure of social networks. We verify the importance of network structure by showing the quality of the hierarchical decomposition impacts the quality of seed set output by our algorithm. We also present "worst-case" theoretical results proving that in certain settings our algorithm outputs seed sets that are a factor of $Θ(\sqrt{n})$ more influential than those of the greedy algorithm, where $n$ is the number of nodes in the network. Finally, we generalize our algorithm to a message passing version that can be used to find seed sets that have at least as much influence as the dynamic programming algorithms.

연구 동기 및 목표

• 비하위모듈러 영향력 확산 최적화에 효과적인 휴리스틱이 부족한 데에 대응하기 위해, 시너지 효과로 인해 그레디 알고리즘이 성능이 떨어지는 상황에서의 문제 해결.
• 하향적 커뮤니티 구조를 활용하여 하위모듈러 및 비하위모듈러 캐스케이드 모델 모두에서 영향력 있는 시드 세트를 식별할 수 있는 확장 가능한 알고리즘 설계.
• 특히 비하위모듈러 설정에서 커뮤니티 인식 시드 배치 전략이 그레디 방법을 크게 능가할 수 있음을 입증하고, 집합적으로 배치된 시드가 영향력 확산을 증진시킴을 확인.
• 일부 네트워크 구조에서 DPIM이 그레디 알고리즘보다 Θ(√n) 높은 영향력을 가진 시드 세트를 생성할 수 있음을 보장하는 이론적 최악의 경우 경계 제시.
• 확장성과 실용적 구현을 고려해, 이 접근 방식을 메시지 전달 알고리즘(MPA)으로 일반화함.

제안 방법

• 네트워크를 커뮤니티로 계층적 분해하여, 각 커뮤니티를 트리 구조의 하위트리로 간주한다.
• 계층적 분해에 기반한 동적 프로그래밍을 적용하여, 네트워크 전반에서 영향력을 극대화하는 최적의 시드 배치를 계산한다.
• 동적 프로그래밍 공식화는 하위트리 전반의 가능한 모든 시드 배치를 평가하고, 결과를 조합하여 커뮤니티 구조 하에 전역적으로 최적의 시드 세트를 구성한다.
• 이 방법은 특히 비하위모듈러 모델에서, 밀도 높은 커뮤니티 내에서 영향력이 더 효과적으로 확산된다는 가정을 기반으로 한다. 이는 집합적으로 배치된 시드가 영향력 총합을 증가시키는 시너지 효과를 반영한다.
• 확장성을 위해 메시지 전달 변형(MPA)을 도입하여 분산 계산이 가능하게 하면서도 성능을 유지한다.
• 알고리즘 성능은 계층적 분해의 질에 민감하며, 보다 우수한 분해가 훨씬 더 우수한 시드 세트를 산출한다.

실험 결과

연구 질문

• RQ1 계층적 분해를 통해 커뮤니티 구조를 활용하면, 그레디 방법 대비 더 나은 시드 세트 선택이 가능한가?
• RQ2 제안된 알고리즘의 성능은 하위모듈러 및 비하위모듈러 캐스케이드 모델 모두에서 그레디 알고리즘과 비교해 어떻게 되는가?
• RQ3 최악의 네트워크 구조에서 제안된 방법이 그레디 알고리즘 대비 영향력 향상에 대해 어떤 이론적 보장을 가질 수 있는가?
• RQ4 동적 프로그래밍 접근 방식을 성능을 희생시키지 않고도 확장성 있는 메시지 전달 알고리즘으로 일반화할 수 있는가?
• RQ5 계층적 분해의 품질은 최종 선택된 시드 세트의 영향력에 어떤 영향을 미치는가?

주요 결과

• 비하위모듈러 캐스케이드 모델에서, 제안된 DPIM 알고리즘은 실제 네트워크와 합성 네트워크에서의 시뮬레이션에서 그레디 알고리즘 대비 평균 55% 높은 영향력을 기록한다.
• 하위모듈러 캐스케이드의 경우, 알고리즘이 그레디 기준선 대비 평균 7% 높은 영향력을 확보한다.
• 이론적 분석 결과, 일부 최악의 경우 네트워크 구조에서 DPIM은 그레디 알고리즘보다 Θ(√n) 높은 영향력을 가진 시드 세트를 생성할 수 있음을 입증하며, 여기서 n은 노드 수이다.
• 계층적 분해의 품질은 DPIM의 성능에 직접적인 영향을 미치며, 이는 네트워크 구조가 고품질 시드 세트 식별에 핵심 요소임을 확인한다.
• 메시지 전달 알고리즘(MPA)은 DPIM과 유사한 성능를 기록하면서도 더 뛰어난 확장성을 보이며, 실용적 구현 가능성에 유리하다.
• 페이스북의 에고 네트워크에서의 실증 결과는 ICM, LTM, DICM 등 다양한 캐스케이드 모델에서 DPIM이 그레디 알고리즘을 일관되게 능가함을 확인한다.