[논문 리뷰] Evolving Influence Maximization.

Xudong Wu, Luoyi Fu외 2명|arXiv (Cornell University)|2018. 04. 03.

Complex Network Analysis Techniques참고 문헌 2인용 수 3

한 줄 요약

이 논문은 사용자 간 관계와 영향력 확산 확률이 시간에 따라 변화하는 변화하는 사회망에서 영향력 확산을 위한 EIM을 소개한다. 반복적으로 시드 사용자를 선정하고 변화하는 네트워크 동역학을 학습함으로써 EIM은 시간에 따라 변화하는 네트워크 환경에서 정적 IM 방법보다 더 나은 인지도 확산 성능을 보인다.

ABSTRACT

Influence Maximization (IM) aims to maximize the number of people that become aware of a product by finding the `best' set of `seed' users to initiate the product advertisement. Unlike prior arts on static social networks containing fixed number of users, we undertake the first study of IM in more realistic evolving networks with temporally growing topology. The task of evolving IM ({\bfseries EIM}), however, is far more challenging over static cases in the sense that seed selection should consider its impact on future users and the probabilities that users influence one another also evolve over time. We address the challenges through $\mathbb{EIM}$, a newly proposed bandit-based framework that alternates between seed nodes selection and knowledge (i.e., nodes' growing speed and evolving influences) learning during network evolution. Remarkably, $\mathbb{EIM}$ involves three novel components to handle the uncertainties brought by evolution:

연구 동기 및 목표

• 사용자 간 연결성과 영향력 확률이 시간에 따라 변화하는 동적 사회망에서의 영향력 확산 문제를 다루기.
• 고정된 네트워크 구조와 변화하지 않는 영향력 확률을 가정하는 정적 IM 방법의 한계를 극복하기.
• 동시에 변화하는 네트워크 동역학을 학습하면서도 적응적으로 시드 사용자를 선정하는 프레임워크 개발하기.
• 네트워크 구조와 영향력 전파의 시간적 변화로 인한 불확실성 다루기.
• 실제로 시간이 지남에 따라 변화하는 사회망에서 스케일링 가능하고 효과적인 영향력 확산을 가능하게 하기.

제안 방법

• 네트워크 변화 과정에서 시드 선택과 지식 학습을 번갈아가며 수행하는 밴딧 기반 프레임워크인 EIM을 제안한다.
• 높은 영향력의 시드 노드를 선택하고 미지의 영향력 동역학을 학습하는 데 균형을 이룰 수 있는 새로운 탐색-이용 전략을 도입한다.
• 변화하는 영향력 확률을 관측된 전파 결과에 기반해 업데이트되는 시간에 따라 변하는 매개변수로 모델링한다.
• 다중 손잡이 밴딧 접근법을 사용하여 변화하는 네트워크 조건 하에서 노드의 영향력 잠재력을 추정한다.
• 노드 성장 속도를 예측 가능한 영향력 전파를 위해 학습 가능한 매개변수로 통합한다.
• 새로운 노드와 간선이 등장함에 따라 시드 집합을 동적으로 재평가하여 장기적인 영향력 확산을 보장한다.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 네트워크 구조를 갖는 변화하는 사회망에 대해 영향력 확산을 어떻게 효과적으로 확장할 수 있는가?
• RQ2 변화하는 영향력 확률과 네트워크 성장 상황에서 어떻게 적응적인 시드 선택 메커니즘이 작동하는가?
• RQ3 온라인 학습 통합이 정적 IM 접근법에 비해 영향력 전파에 어떤 영향을 미치는가?
• RQ4 밴딧 기반 프레임워크는 변화하는 네트워크 동역학의 불확실성을 어느 정도 다룰 수 있는가?
• RQ5 노드 성장 속도 학습과 변화하는 영향력의 영향은 장기적인 영향력 전파에 어떤 영향을 미치는가?

주요 결과

• EIM은 변화하는 네트워크에서 정적 IM 기준선에 비해 영향력 전파 성능을 크게 뛰어넘어 뛰어난 적응성 입증.
• 밴딧 기반 학습 구성요소는 불확실한 영향력 동역학 탐색을 효과적으로 수행하면서도 알려진 영향력 있는 노드의 활용도를 유지한다.
• 학습 가능한 매개변수로 노드 성장 속도를 통합함으로써 향후 영향력 전파 예측 정확도 향상.
• 다양한 변화하는 네트워크 시나리오에서 안정적인 성능 확보하여 시간적 변화에 대한 강건성 입증.
• 시간에 따라 변화하는 영향력 확률을 효과적으로 모델링함으로써 정적과 동적 IM 설정 간의 성능 격차를 줄였다.
• 실증 평가 결과, 반복적인 학습과 선택 과정이 비적응적 방법보다 더 높은 누적 영향력 전파를 이끌어낸다.