[논문 리뷰] Revisiting Non-Progressive Influence Models: Scalable Influence Maximization

Golshan Golnari, T Amir Asiaee외 2명|arXiv (Cornell University)|2014. 12. 18.

Complex Network Analysis Techniques참고 문헌 20인용 수 3

한 줄 요약

이 논문은 사회망에서의 가역적 사용자 행동을 포괄하는 새로운 비진행적 영향 확산 모델인 열전도(HC) 모델을 제안한다. 이 모델은 기존의 Voter 및 비진행적 LT 모델을 통합하고 확장하며, 영향 확산 최적화를 위한 C2Greedy라는 스케일러블이고 탐욕적인 알고리즘을 제안한다. 이 알고리즘은 영향 확산과 시드 노드 선정을 위한 폐쇄형 수식 계산을 통해 대규모 네트워크에서 유사 최적의 성능를 달성하며, 이론적 보장과 함께 최신 기법들보다 뛰어난 성능을 보인다.

ABSTRACT

While influence maximization in social networks has been studied extensively in computer science community for the last decade the focus has been on the progressive influence models, such as independent cascade (IC) and Linear threshold (LT) models, which cannot capture the reversibility of choices. In this paper, we present the Heat Conduction (HC) model which is a non-progressive influence model with real-world interpretations. We show that HC unifies, generalizes, and extends the existing nonprogressive models, such as the Voter model [1] and non-progressive LT [2]. We then prove that selecting the optimal seed set of influential nodes is NP-hard for HC but by establishing the submodularity of influence spread, we can tackle the influence maximization problem with a scalable and provably near-optimal greedy algorithm. We are the first to present a scalable solution for influence maximization under nonprogressive LT model, as a special case of the HC model. In sharp contrast to the other greedy influence maximization methods, our fast and efficient C2GREEDY algorithm benefits from two analytically computable steps: closed-form computation for finding the influence spread as well as the greedy seed selection. Through extensive experiments on several large real and synthetic networks, we show that C2GREEDY outperforms the state-of-the-art methods, in terms of both influence spread and scalability.

연구 동기 및 목표

• 실제 세계의 가역적 행동(예: 서비스 제공자 전환, 연구 주제 전환 등)을 더 잘 반영하는 비진행적 모델 하에서의 영향 확산 최적화를 위한 스케일러블한 솔루션 부족 문제를 해결하기 위해.
• 사회적 영향과 비사회적 영향(예: 미디어 영향, 사용자 관성 등)을 모두 포괄하는 통합적이고 해석 가능한 영향 모델을 개발하기 위해.
• HC 모델 하에서의 영향 확산 최적화가 NP-난해임을 증명하여, 효율적인 근사 알고리즘의 필요성을 입증하기 위해.
• 몬테카를로 시뮬레이션을 피하고 대규모 네트워크에서 빠른 계산이 가능한 스케일러블 알고리즘을 설계하기 위해.
• 실제 네트워크, 특히 연구 주제 채택과 관련된 새로운 비진행적 컨베이어 데이터셋을 기반으로 한 방법의 검증을 위해.

제안 방법

• Voter 및 비진행적 LT 모델을 일반화하는 비진행적 영향 모델인 열전도(HC) 모델을 제안하며, 사회적 영향과 비사회적 영향을 모두 포함한다.
• HC 모델 하에서의 영향 확산이 서브모듈라리티를 가지며, 이는 이론적 성능 보장이 있는 탐욕 알고리즘의 적용을 가능하게 한다.
• 영향 확산 계산을 위한 폐쇄형 해석적 표현을 유도하여, 고비용의 몬테카를로 시뮬레이션의 필요성을 제거한다.
• 다음 최적의 시드 노드를 식별하기 위한 폐쇄형 탐욕 선택 규칙을 개발하여, 시뮬레이션 없이도 각 노드에 대해 O(1) 시간 내에 평가가 가능하게 한다.
• 폐쇄형 영향 확산 계산과 폐쇄형 시드 선택을 통합한 C2Greedy 알고리즘을 제안하여 높은 스케일러비리티와 효율성을 달성한다.
• 무한 시간 영역 하에서의 영향 동역학에 대한 정확한 해석적 해를 도출하기 위해 마르코프 체인 이론과 확률 분석을 활용한다.

실험 결과

연구 질문

• RQ1 서비스 제공자나 연구 주제 전환과 같은 실제 세계의 가역적 행동을 반영할 수 있는 비진행적 영향 모델을 설계할 수 있는가?
• RQ2 제안된 열전도(HC) 모델 하에서의 영향 확산 최적화는 NP-난해한가? 만약 그렇다면, 이론적 근사 보장을 갖는 효율적인 해법이 가능한가?
• RQ3 비진행적 모델 하에서 영향 확산과 탐욕적 시드 선택에 대해 폐쇄형 해석적 해를 도출할 수 있는가? 이를 통해 몬테카를로 시뮬레이션에 의존하지 않을 수 있는가?
• RQ4 제안된 C2Greedy 알고리즘의 성능은 대규모 실재 및 합성 네트워크에서 최신 기법들과 비교해 영향 확산 범위와 확장성 측면에서 어떻게 나타나는가?
• RQ5 HC 모델은 Voter 모델과 같은 공명 기반 모델보다 다수의 제품 채택 공존 현상을 더 잘 설명하는가?

주요 결과

• C2Greedy는 실재 및 합성 네트워크에서 최신 기법들보다 유의미하게 높은 영향 확산 성능를 기록했으며, 10,604명의 저자와 168,918개의 간선을 가진 MLWFW 네트워크에서도 마찬가지였다.
• 수십만 개의 노드와 거의 백만 개의 간선을 가진 네트워크에서도 C2Greedy는 수분 내에 영향 확산 최적화를 완료하여 매우 높은 확장성을 입증했다.
• C2Greedy는 표준 기준 기법 뿐 아니라 학술적 영향 설정에서 널리 알려진 '가장 많이 인용된 저자' 히وري스틱에도 뛰어난 성능를 보였다.
• 진행적 모델(예: IC, LT)에서 가장 영향력 있는 노드가 비진행적 모델 하에서도 반드시 영향력 있는 노드로 남는 것은 아니며, 이는 전용 알고리즘의 필요성을 강조한다.
• HC 모델은 연구 주제 채택과 같이 사용자가 시간이 지남에 따라 주제를 전환하는 비진행적 확산을 성공적으로 포착했다.
• 본 연구는 인용 네트워크 기반의 첫 번째 공개 가능한 실재 비진행적 컨베이어 데이터셋을 제시하여, 이 분야의 향후 연구를 가능하게 했다.