[논문 리뷰] Holistic Influence Maximization: Combining Scalability and Efficiency with Opinion-Aware Models

Sainyam Galhotra, Akhil Arora외 1명|arXiv (Cornell University)|2016. 02. 09.

Complex Network Analysis Techniques참고 문헌 42인용 수 57

한 줄 요약

이 논문은 노드의 의견과 상호작용 동역학을 통합한 새로운 의견-통합 상호작용(Opinion-cum-Interaction, OI) 모델을 통합한 혁신적인 의견 인지 영향 확산 프레임워크를 제안한다. 이는 정보 확산을 더 현실적으로 모델링할 수 있도록 한다. 본 논문은 영향력 확산을 극대화하는 효과적 의견(Maximizing Effective Opinion, MEO) 문제를 도입하고, 선형 시간 및 공간 복잡도를 유지하면서 최신 기술 대비 약 5% 이내의 영향력 확산 성능을 달성하는 두 가지 확장 가능한 알고리즘—의견 무시 기반 기준선인 EaSyIM과 의견 인지 히우리스틱인 OSIM—을 제안한다. 이는 대규모 그래프에서의 확장성과 효율성에 있어 뚜렷한 향상을 이룬다.

ABSTRACT

The steady growth of graph data from social networks has resulted in wide-spread research in finding solutions to the influence maximization problem. In this paper, we propose a holistic solution to the influence maximization (IM) problem. (1) We introduce an opinion-cum-interaction (OI) model that closely mirrors the real-world scenarios. Under the OI model, we introduce a novel problem of Maximizing the Effective Opinion (MEO) of influenced users. We prove that the MEO problem is NP-hard and cannot be approximated within a constant ratio unless P=NP. (2) We propose a heuristic algorithm OSIM to efficiently solve the MEO problem. To better explain the OSIM heuristic, we first introduce EaSyIM - the opinion-oblivious version of OSIM, a scalable algorithm capable of running within practical compute times on commodity hardware. In addition to serving as a fundamental building block for OSIM, EaSyIM is capable of addressing the scalability aspect - memory consumption and running time, of the IM problem as well. Empirically, our algorithms are capable of maintaining the deviation in the spread always within 5% of the best known methods in the literature. In addition, our experiments show that both OSIM and EaSyIM are effective, efficient, scalable and significantly enhance the ability to analyze real datasets.

연구 동기 및 목표

• 실세계 소셜 네트워크에서 노드의 의견과 상호작용 동역학을 忽시하는 전통적 영향 확산 모델의 한계를 해결하기 위해.
• 사용자 간 의견 형성과 정보 인식의 실세계 동역학을 반영하는 새로운 의견-통합 상호작용(Opinion-cum-Interaction, OI) 모델을 제안하기 위해.
• 양성, 중립, 부정적 의견을 모두 고려하는 영향력 확산의 더 현실적인 변형인 효과적 의견 극대화(Maximizing Effective Opinion, MEO) 문제를 정의하기 위해.
• 대규모 그래프에서 메모리 및 런타임 오버헤드를 최소화하면서도 높은 영향력 확산 성능을 유지하는 확장 가능하고 효율적인 알고리즘을 설계하기 위해.
• 의견 인지 모델이 실세계 소셜 네트워크에서 영향력 전파의 현실성과 효과성에 뚜렷한 향상을 이룬다는 것을 입증하기 위해.

제안 방법

• 각 노드가 콘텐츠에 대해 실수 값을 갖는 의견(o)을 가지며, 각 유ERIC된 간선은 이웃의 의견을 수용할 가능성을 나타내는 상호작용 확률(φ)을 갖는 OI 모델을 제안한다.
• 영향력 확산의 수치적 수치가 아닌, 전파 후 노드의 의견 값의 합인 효과적 의견을 극대화하는 MEO 문제를 도입한다.
• MEO 문제가 P=NP가 아닐 경우 어떤 상수 요인 내에서도 근사가 불가능하며, NP-난이도임을 증명함으로써 히우리스틱 솔루션의 필요성을 정당화한다.
• 선형 시간 및 공간 복잡도를 갖는 확장 가능한 의견 무시 기반 기준선 알고리즘인 EaSyIM을 설계하여 OSIM의 기초를 마련한다.
• 의견과 상호작용 동역학을 영향력 전파 과정에 통합하여 정확도를 향상시키면서도 효율성을 유지하는 히우리스틱인 OSIM을 개발한다.
• 메모이제이션을 활용한 몬테카를로 시뮬레이션을 통해 영향력 확산을 효율적으로 추정함으로써 근사 품질과 계산 비용의 균형을 맞춘다.

실험 결과

연구 질문

• RQ1 노드의 의견과 상호작용 동역학을 통합함으로써 더 현실적인 영향 확산 모델을 설계할 수 있는가?
• RQ2 단순한 활성화 수가 아닌 효과적 의견을 극대화하는 MEO 문제의 복잡도와 실용성은 전통적 영향 확산 모델과 어떻게 다를까?
• RQ3 정확도를 희생시키지 않고도 대규모 그래프에서 MEO 문제를 효율적으로 해결할 수 있는 확장 가능한 알고리즘을 설계할 수 있는가?
• RQ4 제안된 OSIM 알고리즘은 기존 최신 기술 대비 영향력 확산, 런타임, 메모리 사용 측면에서 어떻게 비교되는가?
• RQ5 의견 인지 모델이 실세계 소셜 네트워크에서 영향력 전파의 현실성과 효과성에 얼마나 기여하는가?

주요 결과

• MEO 문제가 P=NP가 아닐 경우 어떤 상수 요인 내에서도 근사가 불가능하며, NP-난이도임이 증명되었으며, 이는 히우리스틱 접근의 필요성을 정당화한다.
• 제안된 OSIM 및 EaSyIM 알고리즘은 문헌상 최고 성능을 기록한 방법들과 비교해 약 5% 이내의 영향력 확산 성능을 유지함으로써 뛰어난 근사 품질을 입증한다.
• EaSyIM은 선형 시간 및 공간 복잡도를 확보하여 대규모 그래프에서 매우 확장 가능하고 실용적이며, IRIE 및 SIMPATH보다도 확장성에서 뛰어난 성능을 보인다.
• OSIM은 의견 동역학을 통합함으로써 영향력 확산을 크게 향상시켜, 의견을 무시하는 방법보다 효과적 의견 극대화 측면에서 뛰어난 성능을 보인다.
• OI 모델은 부정적 의견과 상호작용 기반 인식과 같은 실세계 동역학을 반영하여, 기존의 IC/LT 모델보다 더 표현력 있고 현실적인 프레임워크를 제공한다.
• 알고리즘들은 런타임, 메모리 소비, 영향력 확산 간의 우수한 트레이드오프를 달성하여, 대규모 소셜 네트워크에서 실세계 구현에 실용적이다.