[논문 리뷰] Influence Spread in Large-Scale Social Networks - A Belief Propagation Approach

Huy Nguyen, Rong Zheng|arXiv (Cornell University)|2012. 04. 19.

Bayesian Modeling and Causal Inference인용 수 10

한 줄 요약

이 논문은 계산 비용이 높은 몽테카를로 시뮬레이션에 의존하는 탐욕적 影響 확산 최대화 알고리즘의 계산적 한계를 극복하기 위해 신뢰 전파 기반 접근법을 제안한다. 사회망의 영향 확산을 방향성 있는 비순환 그래프(DAG) 상에서의 신뢰 전파로 모델링함으로써, 몽테카를로 시뮬레이션 없이도 빠르고 정확한 영향 확산 추정이 가능해지며, 수백만 개의 간선을 가진 실제 네트워크에서도 중간 수준의 계산 비용으로 높은 성능을 달성한다.

ABSTRACT

Abstract. Influence maximization is the problem of finding a small set of seed nodes in a social network that maximizes the spread of influence under a certain diffusion model. The Greedy algorithm for influence maximization first proposed by Kempe, later improved by Leskovec suffers from two sources of computational deficiency: 1) the need to evaluate many candidate nodes before selecting a new seed in each round, and 2) the calculation of the influence spread of any seed set relies on Monte-Carlo simulations. In this work, we tackle both problems by devising efficient algorithms to compute influence spread and determine the best candidate for seed selection. The fundamental insight behind the proposed algorithms is the linkage between influence spread determination and belief propagation on a directed acyclic graph (DAG). Experiments using real-world social network graphs with scales ranging from thousands to millions of edges demonstrate the superior performance of the proposed algorithms with moderate computation costs. 1

연구 동기 및 목표

• 비용이 많이 드는 몽테카를로 시뮬레이션에 의존하는 탐욕적 영향 확산 최대화 알고리즘의 계산 비효율성을 해결하기 위해.
• 각 시딩 라운드에서 후보 평가 수를 줄이기 위해 신속한 영향 확산 추정을 가능하게 하기 위해.
• 대규모 실제 사회망에서 정확도를 유지하면서도 확장 가능한 영향 확산 계산 방법을 개발하기 위해.
• 방향성 있는 비순환 그래프 상에서 영향 확산과 신뢰 전파 간의 이론적이고 계산적인 연결 고리를 구축하기 위해.

제안 방법

• 이 방법은 사회망 구조에서 유도된 방향성 있는 비순환 그래프(DAG) 상에서 영향 확산을 신뢰 전파로 모델링한다.
• DAG의 국소적 구조를 활용하여 메시지 전파 업데이트를 통해 영향 확산 확률을 전방으로 전파하는 방식으로 영향 확산을 계산한다.
• 시드 세트의 영향 확산은 DAG의 리프 노드에서 집계된 신뢰 값으로 계산되며, 반복적인 몽테카를로 시뮬레이션을 피한다.
• 알고리즘은 각 라운드에서 신뢰 전파를 통해 계산된 영향 확산 기반으로 후보를 순위 매김함으로써 최적의 시드 노드를 효율적으로 식별한다.
• DAG의 조건부 독립 성질을 활용하여 후보 노드당 선형 시간 내에 영향 확산을 추정할 수 있다.
• 이 방법은 수천에서 수백만 개의 간선을 가진 네트워크에까지 확장 가능하도록 설계되어 있으며, 낮은 계산 오버헤드를 유지한다.

실험 결과

연구 질문

• RQ1 몽테카를로 시뮬레이션 없이도 DAG 상의 신뢰 전파가 사회망의 영향 확산을 정확하게 근사할 수 있는가?
• RQ2 제안된 방법은 몽테카를로 평가를 사용하는 탐욕적 알고리즘에 비해 영향 확산 최대화의 계산 비용을 얼마나 줄이는가?
• RQ3 다양한 실제 네트워크 구조에서 신뢰 전파 방법이 영향 확산 추정의 정확도를 어느 정도 유지하는가?
• RQ4 기존 탐욕적 방법에 비해 각 라운드당 평가 수를 줄이며 높은 영향력을 가진 시드 노드를 효율적으로 식별할 수 있는가?
• RQ5 수백만 개의 간선을 가진 대규모 네트워크에 적용했을 때, 이 방법은 성능과 정확도 면에서 어떻게 확장되는가?

주요 결과

• 신뢰 전파 방법은 반복적 샘플링이 필요 없이 몽테카를로 시뮬레이션 결과와 매우 유사한 높은 정확도로 영향 확산을 추정한다.
• 영향 평가당 계산 비용을 크게 줄여 탐욕 알고리즘의 각 라운드에서 시드 선택을 더욱 빠르게 한다.
• 알고리즘은 대규모 네트워크에 효과적으로 확장되며, 수백만 개의 간선을 가진 그래프에서도 중간 수준의 계산 비용을 유지한다.
• 몽테카를로 시뮬레이션 대신 DAG 상의 메시지 전파를 사용함으로써 시뮬레이션 기반 추정의 고유한 확률적 변동성을 제거한다.
• 실제 사회망에서의 실험 결과, 제안된 방법은 기존 방법보다 영향 확산 면에서 뛰어난 성능을 보이며 낮은 계산 오버헤드를 유지한다.
• 영향 확산과 신뢰 전파 간의 연결 고리는 영향 확산의 효율적이고 결정적인 계산을 가능하게 하여 대규모 영향 확산 최대화를 실현 가능하게 한다.