[논문 리뷰] IRIE: Scalable and Robust Influence Maximization in Social Networks

Kyomin Jung, Wooram Heo외 1명|arXiv (Cornell University)|2011. 11. 21.

Complex Network Analysis Techniques참고 문헌 15인용 수 30

한 줄 요약

IRIE는 사회적 네트워크에서 영향력 확산을 위한 새로운 스케일러블이고 강력한 알고리즘으로, 반복적 영향력 순위 매기기(IR)와 빠른 영향력 추정(IE)을 결합하여 최신 기법인 PMIA에 비해 성능이 최대 두 계단 빠르고 메모리 사용량이 크게 감소했으며, IC 및 IC-N 모델에서 다양한 네트워크 구조와 확산 크기에서 영향력 커버리지 유지를 유지하거나 향상시킨다.

ABSTRACT

Influence maximization is the problem of selecting top $k$ seed nodes in a social network to maximize their influence coverage under certain influence diffusion models. In this paper, we propose a novel algorithm IRIE that integrates a new message passing based influence ranking (IR), and influence estimation (IE) methods for influence maximization in both the independent cascade (IC) model and its extension IC-N that incorporates negative opinion propagations. Through extensive experiments, we demonstrate that IRIE matches the influence coverage of other algorithms while scales much better than all other algorithms. Moreover IRIE is more robust and stable than other algorithms both in running time and memory usage for various density of networks and cascade size. It runs up to two orders of magnitude faster than other state-of-the-art algorithms such as PMIA for large networks with tens of millions of nodes and edges, while using only a fraction of memory comparing with PMIA.

연구 동기 및 목표

• 대규모 사회적 네트워크에서 기존 영향력 확산 알고리즘의 확장성과 강력성의 한계를 해결하기 위해.
• 최신 휴리스틱 기법인 PMIA에 비해 실행 시간과 메모리 사용량을 크게 줄이면서도 높은 영향력 커버리지를 유지할 수 있는 방법을 개발하기 위해.
• 다양한 네트워크 밀도, 군집 계수 및 확산 크기에서 안정적인 프레임워크를 설계하기 위해.
• 부정적 의견 전파를 포함하는 IC-N 모델로의 확장을 통해 더 넓은 적용 가능성을 확보하기 위해.
• 복잡한 국소 데이터 구조가 아닌 전역 반복 계산에 의존함으로써 효율적인 병렬 처리를 가능하게 하기 위해.

제안 방법

• IRIE는 영향력 잠재력에 따라 전역적으로 노드를 순위 매기는 데 반복적 영향력 순위 매기기(IR) 방법을 사용하며, 소수의 반복으로 수행된다.
• 상위 순위의 노드를 시드로 선택한 후, IRIE는 빠른 영향력 추정(IE) 단계를 적용하여 시드가 나머지 모든 노드에 미치는 추가 영향을 계산한다.
• IE 결과는 이후 라운드에서 영향력 순위를 동적으로 조정하는 데 사용되어 중복 계산을 줄이고 정확도를 향상시킨다.
• 알고리즘은 국소 영향 영역이나 복잡한 데이터 구조를 저장하지 않아 메모리 오버헤드가 낮다.
• IRIE는 전역 반복 업데이트에 의존하므로 Pregel과 같은 그래프 계산 플랫폼에서 쉽게 병렬화될 수 있도록 설계되어 있다.
• 부정적 의견 전파를 통합함으로써 IC-N 모델로의 확장을 수행하였으며, 효율성은 유지하면서도 영향력 커버리지를 보존한다.

실험 결과

연구 질문

• RQ1 영향력 확산에서 비용이 많이 드는 몬테카를로 시뮬레이션을 대체할 수 있는 전역적 영향력 순위 매기기 방법을 설계할 수 있는가?
• RQ2 어떻게 영향력 추정을 영향력 순위 매기기와 효율적으로 통합하여 최소한의 계산 비용으로도 높은 영향력 커버리지를 유지할 수 있는가?
• RQ3 IRIE는 다양한 네트워크 구조에서 PMIA에 비해 속도, 메모리 사용량 및 안정성 측면에서 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ4 부정적 의견 전파를 포함하는 IC-N 모델로의 IRIE 프레임워크 확장은 효과적으로 이루어질 수 있는가?
• RQ5 네트워크 크기와 간선 밀도가 증가함에 따라 IRIE의 성능은 어떻게 스케일링되며, 평균 차수 >10인 밀도 높은 네트워크에서 특히 어떻게 작동하는가?

주요 결과

• IRIE는 수천만 개의 노드와 간선을 가진 대규모 네트워크에서 PMIA에 비해 최대 두 계단 빠른 실행 속도를 기록했다.
• LiveJournal 데이터셋에서 IRIE는 3GB의 메모리만 사용한 반면, PMIA는 10GB를 요구하여 메모리 사용량이 70% 감소했다.
• TR 모델에서 IRIE는 IC-N 모델의 MIA-N에 비해 5~50배 빠르게 작동했으며, 영향력 확산 범위는 유사하거나 더 뛰어났다.
• IRIE는 네트워크 군집도와 간선 밀도에 민감하게 반응하는 PMIA에 비해 훨씬 더 안정적인 실행 시간을 보였다.
• Arxiv 및 Wiki 데이터셋에서 IRIE는 WC 및 TR 모델 모두에서 CELF 게리 알고리즘에 비해 1,000배 이상 빠르게 작동했다.
• IRIE는 실세계 네트워크(최대 6900만 개 간선 포함)를 포함한 모든 테스트 환경에서 PMIA, SAEDV, PageRank 및 차수 휴리스틱 기법과 비교해 영향력 커버리지에서 동등하거나 이를 초월했다.