[논문 리뷰] Incorporating Diversity into Influential Node Mining

Yu Zhang, Frank F. Xu외 3명|arXiv (Cornell University)|2018. 10. 14.

Complex Network Analysis Techniques참고 문헌 35인용 수 1

한 줄 요약

이 논문은 경제적 유틸리티 함수(완전 대체, 완전 보완재, 코브-더글라스)를 사용하여 영향력 확산과 노드 다양성을 동시에 최적화함으로써 다각화된 影響 확산을 위한 새로운 프레임워크를 제안한다. 비단조화 하위모듈러 최적화 및 전통적 IM을 통해 문제를 수식화하며, 임베딩 기반 및 다각화 랭킹 방법과 같은 히우리스틱 기법들보다 유틸리티 최적화 및 결과의 다양성 측면에서 뛰어난 성능을 보인다.

ABSTRACT

Diversity is a crucial criterion in many ranking and mining tasks. In this paper, we study how to incorporate node diversity into influence maximization (IM). We consider diversity as a reverse measure of the average similarity between selected nodes, which can be specified using node embedding or community detection results. Our goal is to identify a set of nodes which are simultaneously influential and diverse. Three most commonly used utilities in economics (i.e., Perfect Substitutes, Perfect Complements, and Cobb-Douglas) are proposed to jointly model influence spread and diversity as two factors. We formulate diversified IM as an optimization problem of these utilities, for which we present two approximation algorithms based on non-monotonic submodular maximization and traditional IM respectively. Experimental results show that our diversified IM framework outperforms other natural heuristics, such as embedding and diversified ranking, both in utility maximization and result diversification.

연구 동기 및 목표

• 기존의 영향 확산 방법이 영향력은 중시하면서도 노드 다양성을 간과하는 한계를 해결하기 위해.
• 경제적 유틸리티 함수를 사용하여 영향력 확산과 다양성 간의 트레이드오프를 공동 최적화 문제로 모델링하기 위해.
• 비단조화 하위모듈러 목표 함수를 다룰 수 있는 다각화된 영향 확산을 위한 근사 알고리즘 개발하기 위해.
• 임베딩 기반 및 다각화 랭킹 접근 방식과 같은 자연스러운 히우리스틱 기반과의 비교를 통해 프레임워크의 효과성 평가하기 위해.

제안 방법

• 선택된 노드 간 평균 유사도의 역수로 다양성을 모델링하며, 노드 임베딩 또는 커뮤니티 탐지 결과를 사용한다.
• 완전 대체, 완전 보완재, 코브-더글라스의 세 가지 경제적 유틸리티 함수를 도입하여 영향력과 다양성을 공동으로 모델링한다.
• 다각화된 영향 확산을 비단조화 하위모듈러 최적화 문제로 재정의하여 두 목표를 균형 잡는다.
• 두 가지 근사 알고리즘을 제안한다: 하나는 비단조화 하위모듈러 최적화 기반이며, 다른 하나는 전통적 영향 확산 기법에서 유도된 것이다.
• 다양성 측정을 위해 노드 임베딩 또는 커뮤니티 구조를 활용해 쌍별 유사도를 계산한다.
• 후보 노드 집합에 대해 유틸리티 함수를 최적화하여 다양성 있고 영향력이 큰 시드 노드 집합을 식별한다.

실험 결과

연구 질문

• RQ1 다양성이 영향 확산에 보완적인 목적으로 효과적으로 모델링되고 통합될 수 있는가?
• RQ2 노드 선택의 맥락에서 영향력 확산과 다양성을 가장 잘 균형 잡는 경제적 유틸리티 함수는 무엇인가?
• RQ3 비단조화 하위모듈러 함수를 위한 근사 알고리즘이 다각화된 영향 확산에 효과적으로 적용될 수 있는가?
• RQ4 임베딩 기반 및 다각화 랭킹 방법과 같은 히우리스틱 기반과 비교할 때, 제안된 프레임워크는 유틸리티 및 다양성 측면에서 어떻게 성과를 내는가?

주요 결과

• 제안된 다각화된 IM 프레임워크는 임베딩 기반 및 다각화 랭킹 방법과 같은 자연스러운 히우리스틱 기법들보다 높은 유틸리티 점수를 달성한다.
• 선택된 노드 간의 유사도가 감소함으로써 측정된 결과 다양성 측면에서 프레임워크가 뛰어난 성능을 보인다.
• 경제적 유틸리티 함수의 사용은 영향력과 다양성 간의 민감하고 원칙적인 트레이드오프를 가능하게 한다.
• 비단조화 하위모듈러 최적화 기반 알고리즘은 영향력과 다양성을 효과적으로 균형 잡으며, 전통적 IM 접근 방식보다 다각화된 환경에서 뛰어난 성능을 보인다.
• 실험 결과, 다양한 데이터셋에서 프레임워크가 유틸리티 최적화 및 다양성 지표를 일관되게 향상시킴을 확인했다.