[논문 리뷰] Tell me something my friends do not know: Diversity maximization in social networks

Antonis Matakos, Aristides Gionis|arXiv (Cornell University)|2018. 11. 26.

Spam and Phishing Detection참고 문헌 30인용 수 15

한 줄 요약

이 논문은 전략적 콘텐츠 추천을 통해 콘텐츠 다양성을 극대화하는 새로운 접근 방식을 제안하여 소셜 네트워크 내 필터 버블을 깨는 데 목적이 있다. 문제를 이차 배낭문제 유사한 다양성 극대화 최적화 문제로 수식화하고, 이 문제가 근사화하기에 NP-난이도임을 증명하며, 확장 가능한 그레디언트 및 리 릿지 기반 알고리즘을 평가하여, 무작위 국소 탐색을 통한 그레디언트 히우리스틱이 실제 네트워크에서 품질과 효율성 사이의 최선의 균형을 이룬다는 것을 발견하였다.

ABSTRACT

Social media have a great potential to improve information dissemination in our society, yet, they have been held accountable for a number of undesirable effects, such as polarization and filter bubbles. It is thus important to understand these negative phenomena and develop methods to combat them. In this paper we propose a novel approach to address the problem of breaking filter bubbles in social media. We do so by aiming to maximize the diversity of the information exposed to connected social-media users. We formulate the problem of maximizing the diversity of exposure as a quadratic-knapsack problem. We show that the proposed diversity-maximization problem is inapproximable, and thus, we resort to polynomial non-approximable algorithms, inspired by solutions developed for the quadratic-knapsack problem, as well as scalable greedy heuristics. We complement our algorithms with instance-specific upper bounds, which are used to provide empirical approximation guarantees for the given problem instances. Our experimental evaluation shows that a proposed greedy algorithm followed by randomized local search is the algorithm of choice given its quality-vs.-efficiency trade-off.

연구 동기 및 목표

• 연결된 사용자 간의 정보 노출 다양성을 높임으로써 소셜 미디어에서의 필터 버블과 에코 챔버 문제를 해결하기 위해.
• 영향력, 노출 유사성, 추천 수용도를 고려한 이차 배낭문제 유사 최적화 과제로 다양성 극대화 문제를 수식화하기 위해.
• 실제 소셜 네트워크에 적합한 실용적 알고리즘을 개발하여 해의 품질과 계산 효율성의 균형을 맞추기 위해.
• 제안된 알고리즘의 근사 품질을 실증적으로 평가하기 위해 인스턴스별 상한을 제공하기 위해.
• 이론적 확장으로서, 반정형 프ogram밍(SDP)을 통한 문제의 연속적 리 릿지 근사를 탐색하기 위해.

제안 방법

• 모든 간선을 따라 쌍별 노출 유사성의 함수로 네트워크 다양성을 수식화하며, 연결된 사용자 간 평균 유사성을 최소화하는 것을 목표로 한다.
• 가중치가 부여된 간선과 사용자별 확률을 통해 사용자 영향력과 추천 수용도를 모델링하여 사회적 영향력과 수용성 특성을 최적화에 통합한다.
• 에코 챔버 크기와 중심성을 고려해 높은 값을 가진 사용자를 선택하는 그레디언트 알고리즘을 제안하며, 평균 유사성을 최대한으로 감소시키는 노출 변화를 유도하는 사용자를 우선순위로 정한다.
• 그레디언트 해를 개선하기 위해 무작위 국소 탐색을 구현하여 확장성은 유지하면서 품질을 향상시킨다.
• 문제의 연속적 버전에 대해 SDP 리 릿지 적용을 시도하지만, 실무에서 높은 성능을 내지 못함을 확인한다.
• 혼합정수계획법과 SDP 리 릿지 기반으로 인스턴스별 상한을 유도하여 제안된 알고리즘의 실증적 근사 품질을 평가한다.

실험 결과

연구 질문

• RQ1 필터 버블을 완화하기 위해 소셜 네트워크 전반에서 정보 노출의 다양성을 효과적으로 극대화할 수 있는가?
• RQ2 사용자 영향력, 노출 유사성, 추천 수용도 간의 상호작용을 체계적으로 모델링할 수 있는 방법은 무엇인가?
• RQ3 다양성 극대화 알고리즘의 해의 품질과 계산 효율성 사이의 상호 교환 관계는 어떠한가?
• RQ4 다양성 극대화 문제의 연속적 리 릿지 근사는 실용적인 성능으로 해결 가능한가?
• RQ5 실제 소셜 네트워크에서 품질과 확장성의 최적 균형을 이룬 알고리즘 접근 방식은 무엇인가?

주요 결과

• 다양성 극대화 문제는 근사화하기에 NP-난이도이므로 히우리스틱 및 리 릿지 기반 방법의 사용이 정당화된다.
• 무작위 국소 탐색을 통한 그레디언트 알고리즘이 모든 데이터셋에서 해의 품질과 실행 시간 사이의 최선의 균형을 달성한다.
• k 값이 작은 경우 S-Greedy 알고리즘이 특히 잘 작동하며, 이는 큰 에코 챔버와 높은 중심성을 가진 사용자를 우선순위로 삼기 때문이다.
• IQP 및 SDP 기반 방법은 소규모 네트워크에서는 효과적이지만 확장성에 실패하며, 특히 Twitter100과 같은 큰 인스턴스에서 k=n일 경우 IQP는 2시간 이내에 종료되지 않는다.
• SDP 리 릿지 후 라운딩 과정에서의 최종 다양성 점수는 32.35로, 리 릿지 해의 61.17 점보다 낮아 실용적 유용성이 제한됨을 시사한다.
• 인스턴스별 상한은 특히 소규모 및 중간 규모 네트워크에서 실증적 근사 보장을 효과적으로 제공한다.