[논문 리뷰] Influence Blocking Maximization in Social Networks under the Competitive Linear Threshold Model Technical Report

Xinran He, Guojie Song외 2명|arXiv (Cornell University)|2011. 10. 21.

Complex Network Analysis Techniques참고 문헌 12인용 수 19

한 줄 요약

이 논문은 경쟁적 선형 임계치(CLT) 모델 하에서 사회망에서 영향력 차단 최적화(IBM)를 위한 효율적인 알고리즘인 CLDAG를 제안한다. 여기서 한 엔티티는 최적의 시드 노드를 선택하여 경쟁적 영향력을 차단한다. 이 방법은 방향성 비순환 그래프(DAG)에 대한 동적 프로그래밍을 활용하여, 그레디 몬테카를로 시뮬레이션 대비 최대 100배 빠른 속도로 거의 최적의 차단 성능를 달성한다. 실험 결과 CLDAG는 그레디 성능을 재현하면서도 런타임을 극적으로 향상시킨다.

ABSTRACT

In many real-world situations, different and often opposite opinions, innovations, or products are competing with one another for their social influence in a networked society. In this paper, we study competitive influence propagation in social networks under the competitive linear threshold (CLT) model, an extension to the classic linear threshold model. Under the CLT model, we focus on the problem that one entity tries to block the influence propagation of its competing entity as much as possible by strategically selecting a number of seed nodes that could initiate its own influence propagation. We call this problem the influence blocking maximization (IBM) problem. We prove that the objective function of IBM in the CLT model is submodular, and thus a greedy algorithm could achieve 1-1/e approximation ratio. However, the greedy algorithm requires Monte-Carlo simulations of competitive influence propagation, which makes the algorithm not efficient. We design an efficient algorithm CLDAG, which utilizes the properties of the CLT model, to address this issue. We conduct extensive simulations of CLDAG, the greedy algorithm, and other baseline algorithms on real-world and synthetic datasets. Our results show that CLDAG is able to provide best accuracy in par with the greedy algorithm and often better than other algorithms, while it is two orders of magnitude faster than the greedy algorithm.

연구 동기 및 목표

• 영향력이 널리 퍼지기 전에 빠르게 경쟁적 영향력을 차단하는 데 도전하는 것.
• 긍정적 및 부정적 영향력이 경쟁적으로 확산되는 상황을 모델링하기 위해 경쟁적 선형 임계치(CLT) 모델을 사용하는 것.
• 느린 몬테카를로 시뮬레이션에 의존하지 않고도 높은 차단 정확도를 달성하는 효율적인 알고리즘을 설계하는 것.
• CLT 모델 하에서 IBM 목적 함수가 단조롭고 하위모듈라르다는 것을 입증하여, 그레디 알고리즘을 통한 근사 보장을 가능하게 하는 것.
• 실제 및 합성 네트워크에서 CLDAG의 성능을 그레디 및 히وري스틱 기반 기준과 비교 평가하는 것.

제안 방법

• 논문은 CLT 모델 하에서 IBM 목적 함수가 단조롭고 하위모듈라르다는 것을 증명하여, (1−1/e)−ε 보장을 갖는 그레디 근사가 가능함을 보여준다.
• CLDAG는 선형 임계치 모델이 DAG에서 효율적인 영향력 계산 특성을 가지는 것을 활용한 새로운 히وري스틱 알고리즘을 도입한다.
• CLDAG는 몬테카를로 시뮬레이션 없이도 영향력 전파를 효율적으로 계산하기 위해 CLT 모델에 특화된 동적 프로그래밍 접근법을 사용한다.
• 알고리즘은 영향력 차단 잠재력이 높은 노드를 우선순위로 정렬하여 긍정적 시드 노드를 선택한다. 이는 네트워크의 큰 부분으로 부정적 영향력이 퍼지는 것을 방지할 수 있도록 한다.
• 근접도 기반 선택 전략을 통합하고, 구조적이고 비순환적인 방식으로 영향력 경쟁을 시뮬레이션하여 차단 효과를 최적화한다.
• 실제 및 합성 네트워크를 사용하여 CLDAG를 그레디, 차수 기반, 근접도 히وري스틱과 비교 평가한다.

실험 결과

연구 질문

• RQ1 경쟁적 선형 임계치(CLT) 모델 하에서 영향력 차단 최적화(IBM) 문제는 정확도를 유지하면서도 효율적으로 해결될 수 있는가?
• RQ2 CLT 모델 하에서 IBM의 목적 함수는 하위모듈라르며, 이는 그레디 알고리즘을 통한 근사 보장 가능성을 제공하는가?
• RQ3 CLDAG는 그레디 알고리즘 및 기타 히وري스틱과 비교하여 성능 및 효율성 측면에서 어떻게 성과를 내는가?
• RQ4 부정적 영향력을 목표 임계치(예: 10%) 이하로 줄이기 위해 필요한 긍정적 시드 대비 부정적 시드의 비율은 얼마인가?
• RQ5 CLDAG의 성능는 부정적 시드 수가 증가함에 따라 네트워크 구조에 따라 어떻게 변화하는가?

주요 결과

• CLDAG는 몬테카를로 시뮬레이션을 사용하는 그레디 알고리즘과 유사한 차단 성능를 달성하지만, 런타임이 최대 100배 빠르게 된다.
• 1,000개의 부정적 시드가 있을 경우, CLDAG는 부정적 영향력을 원래 수준의 17%로 줄이기 위해 1,000개의 긍정적 시드가 필요하며, 이는 강력한 선제적 우위를 보여준다.
• 부정적 영향력을 10% 이하로 줄이기 위해서는 부정적 시드 수 대비 약 20~30배의 긍정적 시드가 필요하며, 이는 후행 개입의 어려움을 시사한다.
• 근접도 히وري스틱은 많은 경우에 성능이 열악하며, 차수 기반 히وري스틱은 IBM에 대해 효과적이지 않아 CLDAG의 강건성을 입증한다.
• CLDAG는 다른 히وري스틱보다 뚜렷한 격차로 항상 뛰어난 성능를 보이며, 특히 부정적 영향력이 넓게 퍼지는 네트워크에서 두각을 나타낸다.
• 본 연구는 CLT 하에서 IBM이 하위모듈라르다는 것을 확인하여 그레디 근사의 사용을 정당화하지만, 동시에 동일한 모델 하에서 긍정적 영향력 최적화는 하위모듈라르지 않다는 점을 드러내어 문제 설정의 핵심적 차이를 부각한다.