[논문 리뷰] Minimizing Seed Set Selection with Probabilistic Coverage Guarantee in a Social Network

Peng Zhang, Wei Chen외 3명|arXiv (Cornell University)|2014. 02. 22.

Complex Network Analysis Techniques참고 문헌 6인용 수 6

한 줄 요약

이 논문은 영향력 커버리지가 주어진 임계값에 도달할 확률이 최소한 P 이상이 되도록 보장하는 최소 시드 세트를 선택하기 위한 근사 알고리즘인 MinSeed-PCG를 제안한다. 실제 네트워크에서 영향력 커버리지의 농도 성질을 활용하여 O(log n)의 곱셈 근사 비율과 작은 덧셈 오차를 달성하며, 실제 네트워크에서의 실험에서 기준 방법들보다 뛰어난 성능을 보였다.

ABSTRACT

A topic propagating in a social network reaches its tipping point if the number of users discussing it in the network exceeds a critical threshold such that a wide cascade on the topic is likely to occur. In this paper, we consider the task of selecting initial seed users of a topic with minimum size so that with a guaranteed probability the number of users discussing the topic would reach a given threshold. We formulate the task as an optimization problem called seed minimization with probabilistic coverage guarantee (SM-PCG). This problem departs from the previous studies on social influence maximization or seed minimization because it considers influence coverage with probabilistic guarantees instead of guarantees on expected influence coverage. We show that the problem is not submodular, and thus is harder than previously studied problems based on submodular function optimization. We provide an approximation algorithm and show that it approximates the optimal solution with both a multiplicative ratio and an additive error. The multiplicative ratio is tight while the additive error would be small if influence coverage distributions of certain seed sets are well concentrated. For one-way bipartite graphs we analytically prove the concentration condition and obtain an approximation algorithm with an $O(\log n)$ multiplicative ratio and an $O(\sqrt{n})$ additive error, where $n$ is the total number of nodes in the social graph. Moreover, we empirically verify the concentration condition in real-world networks and experimentally demonstrate the effectiveness of our proposed algorithm comparing to commonly adopted benchmark algorithms.

연구 동기 및 목표

• 비용이 적은 시드 세트로 소셜 네트워크에서 바이러스적 확산을 유도하면서도, 영향력 임계값에 도달할 최소 확률 P를 보장하는 문제에 대응하기 위해.
• 기존 연구와 달리 기대 영향력이 아닌 확률적 커버리지에 중점을 두어, 확률적 커버리지 보장이 있는 시드 최소화 문제(SM-PCG)를 수립하고 해결하기 위해.
• 영향력 커버리지 분포가 집중되어 있다는 가정 하에 SM-PCG에 대한 이론적 근사 보장을 제공하며, 곱셈 오차와 덧셈 오차 경계를 모두 포함하기 위해.
• 실제 네트워크에서 영향력 커버리지의 집중성을 실험적으로 검증하고, MinSeed-PCG가 무작위, 고도수, PageRank 기반 시드 선택 히우리스틱보다 뛰어나다는 것을 입증하기 위해.

제안 방법

• SM-PCG 문제를, Inf(S)가 S의 랜덤 영향력 커버리지일 때, Pr(Inf(S) ≥ η) ≥ P 를 만족하는 가장 작은 시드 세트 S를 선택하는 문제로 수식화한다.
• Monte Carlo 시뮬레이션을 사용하여 Pr(Inf(S) ≥ η)를 추정하고, 정확성과 효율성의 균형을 위해 ε-근사 전략을 적용하는 MinSeed-PCG[ε] 알고리즘을 제안한다.
• 이론적 경계를 설정: 영향력 커버리지의 집중 조건 하에서, 알고리즘이 O(log n)의 곱셈 근사 비율과 O(√n)의 덧셈 오차를 달성한다.
• 일방향 이분 그래프에 대해 분석적으로 분석하고, 영향력 커버리지가 잘 집중되어 있음을 증명함으로써, 강력한 이론적 근사 보장을 가능하게 한다.
• Monte Carlo 시뮬레이션을 사용하여 영향력 커버리지 확률을 추정하며, ε를 조절하여 근사 품질을 제어한다.
• 실제 네트워크(위키-보트, NetHEPT, 플릭스터)에서 영향력 커버리지의 집중 조건을 실험적으로 검증하여, 영향력 커버리지 분포가 밀도 있게 집중되어 있음을 확인함으로써, 이론적 가정의 타당성을 뒷받침한다.

실험 결과

연구 질문

• RQ1 영향력 커버리지가 주어진 임계값 η에 도달할 확률이 최소한 P 이상이 되도록 보장하면서도, 시드 세트 크기를 최소화할 수 있는 효율적인 알고리즘을 설계할 수 있는가?
• RQ2 실제 네트워크에서 시드 세트의 영향력 커버리지 분포가 충분히 집중되어 있는가? 이는 강력한 이론적 근사 보장을 가능하게 하는가?
• RQ3 기본적인 히우리스틱인 무작위, 고도수, PageRank와 비교할 때, 제안된 MinSeed-PCG[ε] 알고리즘이 시드 세트 크기와 커버리지 확률 측면에서 어떻게 성능을 내는가?
• RQ4 곱셈 오차와 덧셈 오차 측면에서 알고리즘의 이론적 근사 품질은 어떠한가? 덧셈 오차가 작은 조건은 무엇인가?
• RQ5 특정 그래프 유형, 예를 들어 일방향 이분 그래프에 대해 영향력 커버리지의 집중성을 분석적으로 증명할 수 있는가?

주요 결과

• 주제 2, P=0.1인 플릭스터 네트워크에서 MinSeed-PCG[ε]는 무작위 대비 평균 91.1% 작고, 고도수 대비 73.0% 작고, PageRank 대비 24.4% 작은 시드 세트를 선택한다.
• η=4,500, P=0.5인 위키-보트에서 MinSeed-PCG[ε]는 PageRank 대비 38.8% 작고, 고도수 대비 30.8% 작고, 무작위 대비 76.3% 작은 시드 세트 크기를 확보한다.
• η=10,500인 NetHEPT에서 MinSeed-PCG[ε]는 PageRank 대비 36.1% 작고, 고도수 대비 52.9% 작고, 무작위 대비 평균 49.6% 작은 시드 세트 크기를 선택한다.
• 주제 1, η=4,000인 플릭스터에서 MinSeed-PCG[ε]는 PageRank 대비 53.2% 작고, 고도수 대비 70.7% 작고, 무작위 대비 93.9% 작은 시드 수를 감소시킨다.
• 알고리즘은 커버리지 확률에서 날카로운 단계 전이를 보이며, 기준 방법들보다 훨씬 적은 수의 시드로 목표 확률 임계값에 도달한다.
• 실험 결과는 영향력 커버리지가 실제 네트워크에서 잘 집중되어 있음을 확인하여, 이론적 가정을 뒷받침하고 알고리즘의 뛰어난 성능를 정당화한다.