[논문 리뷰] Opinion Maximization in Social Networks

Aristides Gionis, Evimaria Terzi외 1명|arXiv (Cornell University)|2013. 01. 30.

Opinion Dynamics and Social Influence참고 문헌 14인용 수 39

한 줄 요약

이 논문은 Friedkin과 Johnsen 기반의 연속적 의견 동역학 모델을 활용하여 사회 네트워크 내에서 정보 항목에 대한 긍정적 의견을 확산시키기 위해 영향력 있는 개인 집합을 식별하는 캠프aign 문제를 제안한다. 목적 함수가 하위모듈라리티(submodular)임을 증명하여 (1−1/e) 근사치를 갖는 그레디언트 근사법을 가능하게 하며, 실제 데이터셋에서 기준 방법보다 뛰어난 성능을 보이는 확장 가능한 히우리스틱을 제안한다. 성능은 노드의 차수와 내부 의견 상관관계에 의해 영향을 받는다.

ABSTRACT

The process of opinion formation through synthesis and contrast of different viewpoints has been the subject of many studies in economics and social sciences. Today, this process manifests itself also in online social networks and social media. The key characteristic of successful promotion campaigns is that they take into consideration such opinion-formation dynamics in order to create a overall favorable opinion about a specific information item, such as a person, a product, or an idea. In this paper, we adopt a well-established model for social-opinion dynamics and formalize the campaign-design problem as the problem of identifying a set of target individuals whose positive opinion about an information item will maximize the overall positive opinion for the item in the social network. We call this problem CAMPAIGN. We study the complexity of the CAMPAIGN problem, and design algorithms for solving it. Our experiments on real data demonstrate the efficiency and practical utility of our algorithms.

연구 동기 및 목표

• 개인이 사회적 비용을 최소화하도록 표현하는 의견을 조정함으로써, 이성적이고 평형 기반의 과정으로서 사회 네트워크 내 의견 형성을 모델링하는 것.
• k명의 개인을 선택하여 평형 상태에서 네트워크 평균 의견을 최대화하는 캠프aign 설계 문제를 수식화하는 것.
• 캠프aign 문제의 계산 복잡도를 분석하고 효율적인 근사 알고리즘을 개발하는 것.
• 알고리즘 성능을 실제 사회 네트워크에서 평가하고 효과성에 영향을 주는 구조적 요인을 규명하는 것.
• 내부 의견이나 네트워크 구조를 변경하는 변형을 탐색하며, 무방향 그래프에서는 전체 의견이 네트워크 구조에 관계없이 불변임을 밝혀내는 것.

제안 방법

• 각 노드가 고정된 내부 의견과 동적인 표현 의견을 가지며, 최적 반응 업데이트를 통해 변화하는 Friedkin-Johnsen 의견 동역학 모델을 채택한다.
• 노드가 이웃과의 불일치와 내부 신념에서의 이탈을 최소화하는 사회 게임의 나시 균형(Nash equilibrium)으로서 의견 형성을 모델링한다.
• 의견 최적화 목적 함수가 단조롭고 하위모듈라리티임을 증명하여, 그레디언트 선택을 통한 (1−1/e)-근사치를 가능하게 한다.
• 문제의 근사 가능성에 대한 이론적 경계를 도출하기 위해 의견 동역학과 흡수 랜덤 워크 사이의 새로운 연결 고리를 설정한다.
• 노드 중심성과 랜덤 워크 순위 기반의 확장 가능한 히우리스틱—Degree, FreeDegree, RWR—을 제안하여 그레디언트 해를 근사한다.
• 실제 데이터셋(bibsonomy 및 dblp)을 대상으로 실험적 평가를 수행하여 히우리스틱 성능을 그레디언트 및 기준 방법과 비교한다.

실험 결과

연구 질문

• RQ1 의견 형성을 바이너리 확산이 아닌 이성적 평형 기반 과정으로 모델링할 수 있는가?
• RQ2 평형 상태에서 네트워크 평균 표현 의견을 최대화하기 위해 k명의 개인을 선택할 때의 계산 복잡도는 무엇인가?
• RQ3 의견 최적화 문제에 대해 효율적인 근사 알고리즘을 설계할 수 있으며, 실생활에서 그 성능은 어떠한가?
• RQ4 노드의 차수 분포나 차수와 내부 의견 간 상관관계와 같은 네트워크의 구조적 특성이 히우리스틱 전략의 성능에 어떤 영향을 미치는가?
• RQ5 내부 의견이나 네트워크 구조를 변경할 경우 전체 네트워크의 의견은 어떻게 변화하며, 네트워크 구조가 집단적 의견에 영향을 미치는가?

주요 결과

• 의견 최적화 목적 함수는 단조롭고 하위모듈라리티이므로, 그레디언트 알고리즘을 통해 (1−1/e)-근사치를 달성할 수 있다.
• 제안된 히우리스틱인 Degree, FreeDegree, RWR는 실제 데이터셋에서 그레디언트 알고리즘 성능에 매우 가까운 성능을 보이며, RWR는 dblp 데이터셋에서 뛰어난 결과를 보였다.
• 히우리스틱의 성능은 노드의 차수와 내부 의견 간 상관관계와 강하게 연관되어 있다: 높은 상관관계(예: dblp에서 관찰됨)는 상위 3개 히우리스틱 간 유사한 성능을 초래한다.
• Min-S 및 Min-Z 히우리스틱은 내부 의견이 낮은 노드를 우선순위로 삼지만, 차수나 랜덤 워크 중심성에 따른 영향력 잠재력을 고려하지 않아 성능이 열등하다.
• 무방향 네트워크에서는 전체 네트워크 의견 ∑z_i 가 네트워크 구조에 관계없이 일정하며, 내부 의견의 합 ∑s_i 와 동일하다. 이는 네트워크 구조가 집단적 의견에 영향을 주지 않음을 의미한다.
• ∑z_i = ∑s_i 의 불변성은 네트워크 구조와 무관하게 성립하므로, 간선 수정은 의견 최적화에 효과적이지 않으며, 표현 의견을 영향력 있게 조작하는 것보다 내부 의견을 변경하는 것이 더 단순하고 효과적임을 보여준다.