[논문 리뷰] Time-Critical Influence Maximization in Social Networks with Time-Delayed Diffusion Process

Wei Chen, Wei Lu외 1명|arXiv (Cornell University)|2012. 04. 13.

Complex Network Analysis Techniques참고 문헌 7인용 수 172

한 줄 요약

이 논문은 영향 확산 시 지연을 고려한 시간 제한이 있는 사회적 네트워크에서의 影響 최대화를 제안한다. 독립적 확산(IC) 및 선형 임계치(LT) 모델을 확장하여 영향 확산 시 지연을 포함시켰다. IC-M 및 LT-M 모델을 도입하여 하위모듈성(submodularity)을 유지함으로써 (1−1/e) 보장을 갖는 근사 알고리즘을 적용할 수 있도록 하였으며, 그린디 알고리즘보다 최대 1000배 빠른 near-optimal 영향 확산을 달성하는 두 가지 효율적인 휴리스틱 기법인 MIA-M 및 MIA-C를 설계하였다. 이는 사전에 정해진 마감일과 지연을 忽略하는 기존의 휴리스틱 기법들보다 뛰어난 성능을 보였다.

ABSTRACT

Influence maximization is a problem of finding a small set of highly influential users, also known as seeds, in a social network such that the spread of influence under certain propagation models is maximized. In this paper, we consider time-critical influence maximization, in which one wants to maximize influence spread within a given deadline. Since timing is considered in the optimization, we also extend the Independent Cascade (IC) model and the Linear Threshold (LT) model to incorporate the time delay aspect of influence diffusion among individuals in social networks. We show that time-critical influence maximization under the time-delayed IC and LT models maintains desired properties such as submodularity, which allows a greedy approximation algorithm to achieve an approximation ratio of $1-1/e$. To overcome the inefficiency of the greedy algorithm, we design two heuristic algorithms: the first one is based on a dynamic programming procedure that computes exact influence in tree structures and directed acyclic subgraphs, while the second one converts the problem to one in the original models and then applies existing fast heuristic algorithms to it. Our simulation results demonstrate that our algorithms achieve the same level of influence spread as the greedy algorithm while running a few orders of magnitude faster, and they also outperform existing fast heuristics that disregard the deadline constraint and delays in diffusion.

연구 동기 및 목표

• 비즈니스 마케팅 캠페인에서 시간 지연과 마감일 제약 조건을 반영하지 못하는 기존의 영향 최대화 모델의 한계를 해결하기 위해.
• 만남 이벤트와 시간 제약 조건을 활용하여 영향 확산 시 지연을 반영한 IC 및 LT 모델을 확장하기 위해.
• 새로운 모델에서 하위모듈성과 단조성을 유지하여 그린디 알고리즘을 통한 (1−1/e) 근사 보장이 가능하도록 하기 위해.
• 그린디 방법보다 훨씬 빠른 실행 시간을 확보하면서도 높은 영향 확산을 달성하는 확장 가능한 휴리스틱 알고리즘을 설계하기 위해.
• 마감일 제약 조건과 만남 확률이 영향 확산에 미치는 영향을 평가하여 시간 인지 모델의 必要성을 입증하기 위해.

제안 방법

• 사용자 간의 영향 확산 시 지연을 모델링하기 위해 '만남 이벤트'를 도입하여 독립적 확산(IC) 및 선형 임계치(LT) 모델을 확장한다.
• IC-M 및 LT-M 모델을 정의하며, 영향 전파가 사용자 간의 만남이 발생할 때만 일어나며, 각 만남에는 시간 스탬프가 부여된 확률이 존재한다.
• IC-M 및 LT-M 모델 하에서의 영향 함수가 여전히 단조적이며 하위모듈성임을 증명함으로써 그린디 알고리즘의 (1−1/e) 근사 보장을 유지함을 보였다.
• 동적 프로그래밍과 확률 변환 기법을 활용하여 영향 계산을 가속화한 MIA-M 및 MIA-C 휴리스틱 기법을 개발함. 이는 IC-M 모델 기반의 최대 영향 확산 트리(MIA) 기반이다.
• LT-M 모델에 대해 로컬 방향 비순환 그래프(LDAG)를 활용하여 확장성을 향상시킨 LDAG-M 휴리스틱 기법을 적응적으로 적용한다.
• MIA-C에서 활성화 확률에 대한 선형성 규칙을 적용하여 계산 비용을 감소시킴으로써 더 빠른 경계 이득 업데이트를 가능하게 하였다.

실험 결과

연구 질문

• RQ1 사회적 네트워크 확산에서 시간 지연을 고려하기 위해 영향 최대화 문제를 어떻게 재정의할 수 있는가?
• RQ2 IC 및 LT 모델을 시간 지연된 영향 전파를 반영하도록 확장할 수 있는가? 이때 하위모듈성과 같은 유용한 수학적 성질을 유지할 수 있는가?
• RQ3 마감일 제약 조건이 영향 확산 및 휴리스틱 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ4 시간 인지 휴리스틱 기법이 지연과 마감일을 忽略하는 표준 휴리스틱 기법보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ5 다양한 만남 확률과 마감일 길이가 시드 세트의 영향 확산에 어떤 영향을 미치는가?

주요 결과

• IC-M 및 LT-M 모델 하에서 하위모듈성과 단조성이 유지됨에 따라 그린디 알고리즘이 (1−1/e) 근사 비율을 확보한다.
• MIA-M 및 MIA-C 휴리스틱 기법은 그린디 알고리즘과 유사한 영향 확산 성능을 달성하며, DBLP 및 Epinions와 같은 큰 그래프에서 MIA-C는 최대 1000배 빠른 성능을 보였다.
• NetHEPT 및 WikiVote 데이터셋에서는 MIA-C가 0.2~0.5초 내로 실행되는 반면, 그린디 알고리즘은 40분 이상 소요되어 최대 1000배의 속도 향상을 보였다.
• MIA-M는 모든 테스트 데이터셋에서 그린디 알고리즘의 영향 확산 결과와 1% 이내의 오차를 보였으며, 그린디 알고리즘보다 두 자리 수의 속도 향상을 달성했다.
• 지연과 마감일을 忽略하는 표준 휴리스틱 기법인 MIA는 비균일한 만남 확률 조건에서 MIA-M 및 MIA-C보다 유의미하게 낮은 영향 확산을 보였다.
• 마감일 τ가 5에서 15로 증가함에 따라 모든 알고리즘에서 영향 확산이 증가함을 확인하였으며, 이는 문제의 시간 제한적 성격을 뒷받침한다.