[논문 리뷰] Influence Maximization via Representation Learning.

George Panagopoulos, Michalis Vazirgiannis외 1명|arXiv (Cornell University)|2019. 04. 18.

Opinion Dynamics and Social Influence인용 수 2

한 줄 요약

IMINFECTOR는 영향력 미치는 노드와 감염 가능성 있는 노드를 확산 캐스케이드를 통해 공동으로 임bedding하는 표현 학습 접근법을 제안한다. 이는 이론적 보장을 제공하는 스케일러블하고 모델에 종속되지 않는 영향력 추정과 그레디 계산 기반의 시드 선택을 가능하게 한다. 세 개의 실세계 네트워크에서 경쟁 기법들보다 효율성과 시드 품질 측면에서 뛰어난 성능을 보였다.

ABSTRACT

We address the problem of influence maximization when the social network is accompanied by diffusion cascades. In prior works, such information is used to compute influence probabilities, which is utilized by stochastic diffusion models in influence maximization. Motivated by the recent criticism on the effectiveness of diffusion models as well as the galloping advancements in influence learning, we propose IMINFECTOR (Influence Maximization with INFluencer vECTORs), a unified approach that uses representations learned from diffusion cascades to perform model-independent influence maximization that scales in real-world datasets. The first part of our methodology is a multi-task neural network that learns embeddings of nodes that initiate cascades (influencer vectors) and embeddings of nodes that participate in them (susceptible vectors). The norm of an influencer vector captures the ability of the node to create lengthy cascades and is used to estimate the expected influence spread and reduce the number of candidate seeds. In addition, the combination of influencer and susceptible vectors form the diffusion probabilities between nodes. These are used to reformulate the network as a bipartite graph and propose a greedy solution to influence maximization that retains the theoretical guarantees.We a pply our method in three sizable networks with diffusion cascades and evaluate it using cascades from future time steps. IMINFECTOR is able to scale in all of them and outperforms various competitive algorithms and metrics from the diverse landscape of influence maximization in terms of efficiency and seed set quality.

연구 동기 및 목표

• 기존의 확률적 확산 모델의 한계를 극복하기 위해 표현 학습을 활용하는 것.
• 실제 확산 캐스케이드에서 영향력 잠재력과 감염 가능성의 특성을 반영하는 노드 임베딩을 학습하는 것.
• 사전 정의된 확산 모델에 의존하지 않고도 대규모 실세계 네트워크에서 스케일러블한 영향력 최대화를 가능하게 하는 것.
• 영향력 확산 추정에 이론적 보장을 유지하면서도 시드 세트의 품질을 향상시키는 것.
• 영향력 잠재력의 대리 변수로 영향력자 벡터의 노름을 사용하여 후보 시드 수를 줄이는 것.

제안 방법

• 다중 작업 신경망이 확산 캐스케이드를 유발하는 노드(영향력자)와 참여하는 노드(감염 가능성 있음)의 벡터를 학습한다.
• 영향력자 벡터의 노름은 예상되는 영향력 확산을 추정하며, 낮은 잠재력의 시드 후보를 제거하는 데 사용된다.
• 노드 간의 확산 확률은 영향력자 벡터와 감염 가능성 노드 벡터의 내적을 통해 유도된다.
• 학습된 확률을 사용해 네트워크를 이중 그래프로 재구성하여 그레디 기반의 영향력 최대화를 지원한다.
• 이중 그래프에 대해 그레디 알고리즘을 적용함으로써 영향력 확산에 대한 이론적 보장을 유지한다.
• 관측된 확산 캐스케이드를 기반으로 엔드 투 엔드로 학습하고, 미래의 캐스케이드를 대상으로 평가하여 일반화 성능을 측정한다.

실험 결과

연구 질문

• RQ1 확산 캐스케이드에서의 표현 학습이 기존의 확률적 모델을 초월해 영향력 최대화 성능을 향상시킬 수 있는가?
• RQ2 학습된 영향력자 벡터의 노름이 영향력 확산을 효과적으로 예측하고 시드 후보 탐색 공간을 줄일 수 있는가?
• RQ3 영향력자와 감염 가능성 노드의 벡터 조합이 영향력 추정에 정확한 확산 확률을 제공하는가?
• RQ4 모델에 종속되지 않는 접근 방식이 실세계 네트워크에서 스케일링 가능하면서도 이론적 성능 보장을 유지할 수 있는가?
• RQ5 기존의 영향력 최대화 알고리즘과 비교해 본다면, 제안된 방법은 효율성과 시드 품질 측면에서 어떤가?

주요 결과

• IMINFECTOR는 세 개의 대규모 실세계 네트워크에서 확산 캐스케이드를 효과적으로 스케일링한다.
• 해당 방법은 효율성과 선택된 시드 세트의 품질 측면에서 다양한 경쟁 알고리즘들을 능가한다.
• 영향력자 벡터의 노름은 영향력 잠재력을 효과적으로 포착하며, 영향력이 낮은 시드 후보를 효과적으로 제거하는 데 기여한다.
• 벡터 간 상호작용을 통한 학습된 확산 확률의 사용은 영향력 확산 추정 정확도를 향상시킨다.
• 다시 구성된 이중 그래프에서의 그레디 알고리즘은 영향력 확산에 대한 이론적 보장을 유지한다.
• 미래의 캐스케이드에 대한 평가를 통해 학습 데이터를 초월한 일반화 성능이 뛰어나다는 것이 확인되었다.