[논문 리뷰] Influence Maximization Meets Efficiency and Effectiveness: A Hop-Based Approach

Jing Tang, Xueyan Tang외 1명|arXiv (Cornell University)|2017. 05. 30.

Complex Network Analysis Techniques참고 문헌 12인용 수 6

한 줄 요약

이 논문은 대규모 온라인 소셜 네트워크에서 영향력 확산 최적화를 위한 새로운 홉 기반 접근법을 제안하며, 이론적 보장과 함께 빠르고 정확한 시드 노드 선택을 가능하게 한다. 한 번과 두 번의 홉 내에서 정확한 영향력 확산을 계산하고 상한 근사 기법을 사용함으로써, 기존의 샘플링 기반 알고리즘들(예: IMM, D-SSA)과 유사한 성능을 달성하면서도 훨씬 더 빠르게 작동하며, 다른 알고리즘이 실패하는 십억 간선을 가진 그래프에까지 스케일링 가능하다.

ABSTRACT

Influence Maximization is an extensively-studied problem that targets at selecting a set of initial seed nodes in the Online Social Networks (OSNs) to spread the influence as widely as possible. However, it remains an open challenge to design fast and accurate algorithms to find solutions in large-scale OSNs. Prior Monte-Carlo-simulation-based methods are slow and not scalable, while other heuristic algorithms do not have any theoretical guarantee and they have been shown to produce poor solutions for quite some cases. In this paper, we propose hop-based algorithms that can easily scale to millions of nodes and billions of edges. Unlike previous heuristics, our proposed hop-based approaches can provide certain theoretical guarantees. Experimental evaluations with real OSN datasets demonstrate the efficiency and effectiveness of our algorithms.

연구 동기 및 목표

• 대규모 OSN에서 몬테카를로 및 샘플링 기반 영향력 확산 최적화 알고리즘의 확장성 및 효율성 한계를 해결하기 위해.
• 기존의 휴리스틱 방법들이 이러한 보장을 갖지 못하는 것과는 달리, 이론적 근사 보장을 유지하는 휴리스틱 방법을 개발하기 위해.
• 기존 방법들이 메모리나 시간 제약으로 실패하는 대규모 그래프(예: LiveJournal, Twitter)에서 실용적인 실행을 가능하게 하기 위해.
• 빠른 시드 노드 선택을 지원하는 홉 단위 전파 기반의 효율적인 영향력 추정 기법을 설계하기 위해.
• 그리드 시드 선택 과정을 가속화하기 위해 영향력 확산의 상한 근사를 제공하기 위해.

제안 방법

• 이 방법은 몬테카를로 시뮬레이션을 피하기 위해 수정된 너비 우선 탐색을 사용하여 시드 노드에서 한 번과 두 번의 홉 내에서 정확한 영향력 확산을 계산한다.
• 독립 캐스케이드 모델 하에서 영향력 확산의 하위모듈성 및 단조성 특성을 활용하여 시드 선택을 안내한다.
• 낮은 잠재적 영향력을 지닌 노드를 제거하기 위해 새로운 상한 근사 기법을 도입하여 그리드 선택 과정에서의 탐색 공간을 줄인다.
• 전체 확산 과정을 근사하면서도 계산 효율성을 유지하는 홉 기반의 영향력 추정 기법을 사용한다.
• 확산 확률이 다양할 경우에도 대응 가능하며, IC 이외의 다른 확산 모델로도 확장 가능하다.
• 공간 복잡도가 O(|V|)이므로 십억 간선을 가진 그래프에서도 실행 가능하다.

실험 결과

연구 질문

• RQ1 휴리스틱 기반의 영향력 확산 최적화 방법이 높은 효율성과 강력한 이론적 성능 보장을 동시에 달성할 수 있는가?
• RQ2 실제 OSN 데이터셋에서 한 번과 두 번의 홉 내에서 추정한 영향력 확산이 전체 확산 과정과 비교해 어떻게 되는가?
• RQ3 영향력 확산의 상한 근사가 솔루션 품질을 훼손하지 않으면서도 시드 선택 과정을 상당히 가속화할 수 있는가?
• RQ4 대규모 OSN에서 샘플링 기반 및 휴리스틱 기반 기준선 대비 이 방법의 런타임 및 메모리 사용량 측면에서의 확장성은 어떠한가?
• RQ5 확산 확률 분포가 다양할 경우, 이 방법은 IMM 및 D-SSA와 비교해 어느 정도 강건한가?

주요 결과

• 홉 기반 방법은 (1−1/e−ε)-근사 보장을 제공하는 최신 기술인 IMM 및 D-SSA 알고리즘과 유사한 영향력 확산을 달성한다.
• LiveJournal 및 Twitter와 같은 대규모 데이터셋을 포함한 모든 테스트 데이터셋에서 IRIE, IMM, D-SSA보다 뚜렷하게 더 빠른 속도로 실행된다.
• IMM 및 D-SSA는 대규모 데이터셋에서 메모리 및 시간 제약으로 인해 완료되지 못하는 반면, 홉 기반 방법은 항상 수용 가능한 시간과 메모리 사용량 내에서 결과를 일관되게 생성한다.
• 샘플링 기반 방법들보다 확산 확률 스케일링에 덜 민감하다—확산 확률이 변할수록 런타임 증가 폭이 IMM 및 D-SSA보다 훨씬 더 느리다.
• 상한 근사 기법 덕분에 시드 선택 과정에서 평가 대상이 되는 노드 수가 감소하여, 솔루션 품질에 손상 없이 더 빠른 수렴을 이룬다.
• 기존의 휴리스틱 방법들이 이러한 분석을 갖지 못하는 것과는 달리, 이 방법은 휴리스틱 기반임에도 불구하고 이론적 근사 보장을 유지한다—이것은 이전의 휴리스틱 방법들에 비해 핵심적인 발전이다.