[논문 리뷰] Maximizing Influence in Social Networks: A Two-Stage Stochastic Programming Approach That Exploits Submodularity

Hao-Hsiang Wu, Si̇mge Küçükyavuz|arXiv (Cornell University)|2015. 12. 14.

Complexity and Algorithms in Graphs참고 문헌 52인용 수 16

한 줄 요약

이 논문은 영향력 확산을 최적화하기 위해 이원적 확률적 프로그래밍 접근법을 제안하며, 하위모듈라리티를 활용해 사회적 네트워크에서의 영향력 최대화 문제를 정확하게 해결한다. 기존의 탐욕 알고리즘보다 뛰어난 성능을 보이며, 독립적 확산 모델과 선형 임계 모델에 대해 정확한 해를 효율적으로 도출한다. 표준 벤더스 분해보다 반복 횟수와 계산 시간을 크게 감소시킨 강력한 하위모듈라리티 최적성 컷을 개발함으로써 성능을 향상시켰다.

ABSTRACT

We consider stochastic influence maximization problems arising in social networks. In contrast to existing studies that involve greedy approximation algorithms with a 63% performance guarantee, our work focuses on solving the problem optimally. To this end, we introduce a new class of problems that we refer to as two-stage stochastic submodular optimization models. We propose a delayed constraint generation algorithm to find the optimal solution to this class of problems with a finite number of samples. The influence maximization problems of interest are special cases of this general problem class. We show that the submodularity of the influence function can be exploited to develop strong optimality cuts that are more effective than the standard optimality cuts available in the literature. Finally, we report our computational experiments with large-scale real-world datasets for two fundamental influence maximization problems, independent cascade and linear threshold, and show that our proposed algorithm outperforms the greedy algorithm.

연구 동기 및 목표

• 독립적 확산 모델과 선형 임계 모델에 대해 영향력 최대화 문제의 증명 가능 최적 알고리즘이 부족한 문제를 해결한다.
• 불확실성 하에서 영향력 확산을 모델링할 수 있는 이원적 확률적 프로그래밍 프레임워크를 개발하여 정확한 최적화를 가능하게 한다.
• 영향력 함수의 하위모듈라리티 성질을 활용해 기존 방법보다 더 강력하고 효과적인 최적성 컷을 생성한다.
• 기하급수적 열거를 피하기 위해 대규모 인스턴스를 효율적으로 해결할 수 있는 지연된 제약 조건 생성 알고리즘을 설계한다.
• 제안된 방법이 탐욕적 근사 알고리즘보다 최적 또는 근사 최적 해를 더 빨리 도출함을 실증적으로 입증한다.

제안 방법

• 영향력 최대화 문제를 제1단계에서 시드 노드를 선택하고 제2단계에서 확률적 영향력 확산을 모델링하는 이원적 확률적 하위모듈라리티 최적화 문제로 수식화한다.
• 전체 시나리오의 열거를 피하기 위해 반복적으로 최적성 컷을 생성하는 지연된 제약 조건 생성(DCG) 알고리즘을 사용한다.
• 노드의 경계 기여도를 기반으로 한 하위모듈라리티 최적성 컷을 개발하여, 기존 조합적 컷보다 강도와 효과에서 뛰어나다.
• 하위모듈라리티 구조를 통합함으로써 정수 L-형태 방법을 강화하여, 고경계 영향력 노드를 향해 주로 수렴하는 더 탴튼 컷을 도출한다.
• 각 시나리오에서 영향력 확산을 효율적으로 계산하기 위해 최대 유량 수식을 활용하여 확장 가능한 하위문제 해결을 가능하게 한다.
• 이분 제약 조건 기반의 분할 및 범위 확장 프레임워크에 하위모듈라리티 컷을 통합하여 제1단계 이진 문제를 최적해로 해결한다.

실험 결과

연구 질문

• RQ1 이원적 확률적 프로그래밍 모델이 사회적 네트워크에서의 영향력 최대화 문제에 효과적으로 적용될 수 있는가?
• RQ2 영향력 함수의 하위모듈라리티 성질을 어떻게 활용하여 기존 문헌의 컷보다 더 강력한 최적성 컷을 설계할 수 있는가?
• RQ3 제안된 하위모듈라리티 컷을 포함한 지연된 제약 조건 생성 알고리즘이 수렴 속도와 해 품질 측면에서 표준 벤더스 분해를 능가하는가?
• RQ4 탐욕 알고리즘이 표준인 대규모 실세계 사회적 네트워크에서 이 방법이 증명 가능한 최적해를 찾을 수 있는가?
• RQ5 반복 횟수와 해 시간 측면에서 하위모듈라리티 컷이 기존 조합적 컷보다 어떤 계산적 이점이 있는가?

주요 결과

• 제안된 DCG-SubIneqs 알고리즘이 Benders-LC에 비해 최적해에 도달하기 위해 필요한 사용자 컷 수를 크게 줄였다. 특히 시드 노드 수가 증가할수록 그 효과가 두드러진다.
• 15개 노드의 희박한 네트워크에서 k=1일 경우, DCG-SubIneqs는 단 2개의 컷만 필요로 했고, Benders-LC는 15개의 컷이 필요했다—반복 횟수에서 7.5배의 감소를 보였다.
• 더 큰 인스턴스에서는 Benders-LC가 k=5일 경우 최대 3003개의 컷이 필요했으며, 이는 ∑(15,k)의 조합적 한계에 가까운 수준이었고, 거의 전수 탐색에 가까운 행동을 보였다.
• 하위모듈라리티 컷은 주로 고경계 영향력 노드를 향해 주로 수렴하도록 주도하여, Benders-LC에서 관찰되는 임의의 선택을 피할 수 있었다.
• 강화된 정수 L-형태 컷(19개)은 하위모듈라리티 부등식(7개)에 의해 능가되었으며, 이는 강도 면에서 우월하고 해 공간을 더 효과적으로 잘라내었다.
• 이 방법은 독립적 확산 모델과 선형 임계 모델 모두에 대해 대규모 실세계 데이터셋을 성공적으로 해결하여 실용적 확장성과 최적성의 가능성을 입증했다.