[논문 리뷰] On the Shoulders of Giants: Incremental Influence Maximization in Evolving Social Networks

Xiaodong Liu, Xiangke Liao외 5명|arXiv (Cornell University)|2015. 08. 05.

Complex Network Analysis Techniques인용 수 4

한 줄 요약

이 논문은 선호적 연결과 고도 수치 노드 지배성의 특성을 활용하여 재계산를 줄이는 동적 소셜 네트워크를 위한 증분 영향 최대화 알고리즘 IncInf를 제안한다. 영향 확산 변화를 국소화하고 이전의 상위-K 결과에 기반한 가지치기 전략을 적용함으로써, IncInf는 최신 정적 방법 대비 최대 21배의 속도 향상을 달성하면서도 유사한 영향 확산 성능을 유지한다.

ABSTRACT

Identifying the most influential individuals can provide invaluable help in developing and deploying effective viral marketing strategies. Previous studies mainly focus on designing efficient algorithms or heuristics to find top-K influential nodes on a given static social network. While, as a matter of fact, real-world social networks keep evolving over time and a recalculation upon the changed network inevitably leads to a long running time, significantly affecting the efficiency. In this paper, we observe from real-world traces that the evolution of social network follows the preferential attachment rule and the influential nodes are mainly selected from high-degree nodes. Such observations shed light on the design of IncInf, an incremental approach that can efficiently locate the top-K influential individuals in evolving social networks based on previous information instead of calculation from scratch. In particular, IncInf quantitatively analyzes the influence spread changes of nodes by localizing the impact of topology evolution to only local regions, and a pruning strategy is further proposed to effectively narrow the search space into nodes experiencing major increases or with high degrees. We carried out extensive experiments on real-world dynamic social networks including Facebook, NetHEPT, and Flickr. Experimental results demonstrate that, compared with the state-of-the-art static heuristic, IncInf achieves as much as 21X speedup in execution time while maintaining matching performance in terms of influence spread.

연구 동기 및 목표

• 진행 중인 소셜 네트워크의 구조 변화 후 매번 상위-K 영향력 있는 노드를 다시 계산하는 데서 비효율성을 해결한다.
• 빈번한 재계산이 비현실적인 대규모 동적 네트워크에서 계산 비용을 줄인다.
• 선호적 연결과 고도 수치 노드 지배성과 같은 구조적 진화 패턴을 활용하여 효율적인 증분 업데이트를 유도한다.
• 실행 시간을 크게 향상시키면서도 높은 영향 확산 정확도를 유지하는 방법을 개발한다.

제안 방법

• 구조 변화가 영향 확산에 미치는 영향을 국소 네트워크 영역으로 국한시켜 전역 재계산를 피하는 영향 확산 변화 국소화 기법을 적용한다.
• 계산 효율성과 영향 확산 정확도 사이의 트레이드오프를 조정할 수 있는 조절 가능한 파라미터를 도입한다.
• 이전 상위-K 결과에 기반하여 영향 확산 증가가 크거나 도수 값이 높은 노드로 후보를 제한하는 가지치기 전략을 설계한다.
• 기본 영향 확산 메커니즘으로 독립 캐스케이드(IC) 모델을 사용하며, 인접한 네트워크 스냅샷 간의 증분 업데이트에 집중한다.
• 추가적인 수렴 가속화를 위해 증분 프레임워크에 CELF 최적화 히우리스틱을 통합한다.
• 영향 확산 계산을 변화한 간선 주변의 국소 네트워크로 제한함으로써 확장 가능하고 적응 가능한 업데이트를 가능하게 한다.

실험 결과

연구 질문

• RQ1 네트워크 진화 후 영향 확산 변화를 오직 소수의 노드에 국한시킬 수 있는가? 이를 통해 효율적인 증분 업데이트가 가능한가?
• RQ2 이전의 상위-K 영향력 있는 노드에 대한 지식을 어떻게 활용하여 동적 네트워크에서 탐색 공간을 줄일 수 있는가?
• RQ3 도수와 영향 확산 변화 크기 기반 가지치기가 영향 확산 품질을 희생시키지 않고 얼마나 효율성을 향상시킬 수 있는가?
• RQ4 정적 영향 최대화 알고리즘 대비 증분 접근이 상당한 속도 향상을 달성하면서도 유사한 영향 확산 성능을 유지할 수 있는가?

주요 결과

• IncInf는 최신 정적 히우리스틱 알고리즘 대비 최대 21배의 실행 시간 단축을 달성하면서도 동일한 영향 확산 성능을 유지한다.
• 구조 변화 후 영향 확산 증가가 크거나 도수 값이 높은 노드에 집중함으로써 탐색 공간을 효과적으로 줄인다.
• 실세계 동적 네트워크(Facebook, NetHEPT, Flickr)에서의 실험을 통해 IncInf가 대규모 진화 네트워크에 잘 스케일링됨을 확인했다.
• 영향 확산 변화를 국소 네트워크 영역으로 국한시킴으로써 전역 재계산 없이도 효율적인 계산이 가능하다.
• 이전 상위-K 결과에 기반한 가지치기 전략이 불필요한 영향 확산 재평가를 크게 줄였다.
• 증분 업데이트에도 불구하고 IncInf는 영향 확산 추정의 높은 정확도를 유지하여 강력한 내구성과 확장성을 입증했다.