[논문 리뷰] Towards Profit Maximization for Online Social Network Providers

Jing Tang, Xueyan Tang외 1명|arXiv (Cornell University)|2017. 12. 24.

Complex Network Analysis Techniques참고 문헌 11인용 수 6

한 줄 요약

이 논문은 영향력 확산 수익과 확산 비용을 균형 잡는 방식으로 온라인 소셜 네트워크(ONS) 제공자가 이윤을 극대화하기 위한 이중 단계 프레임워크를 제안한다. 반복적 제거 기법을 사용해 탐색 공간을 축소하고, 축소된 집합 내에서 휴리스틱 기법을 적용함으로써 구글+와 라이브저니 등 실제 OSN 데이터셋에서 최대 98.7%의 높은 근사 보장을 달성한다.

ABSTRACT

Online Social Networks (OSNs) attract billions of users to share information and communicate where viral marketing has emerged as a new way to promote the sales of products. An OSN provider is often hired by an advertiser to conduct viral marketing campaigns. The OSN provider generates revenue from the commission paid by the advertiser which is determined by the spread of its product information. Meanwhile, to propagate influence, the activities performed by users such as viewing video ads normally induce diffusion cost to the OSN provider. In this paper, we aim to find a seed set to optimize a new profit metric that combines the benefit of influence spread with the cost of influence propagation for the OSN provider. Under many diffusion models, our profit metric is the difference between two submodular functions which is challenging to optimize as it is neither submodular nor monotone. We design a general two-phase framework to select seeds for profit maximization and develop several bounds to measure the quality of the seed set constructed. Experimental results with real OSN datasets show that our approach can achieve high approximation guarantees and significantly outperform the baseline algorithms, including state-of-the-art influence maximization algorithms.

연구 동기 및 목표

• 영향력 확산 수익과 사용자 참여 비용에 따라 수익이 결정되는 바이럴 마케팅에서 OSN 제공자의 이윤 극대화 문제를 해결하기 위해.
• 영향력 확산에서 얻는 이익과 확산 비용을 고려해 두 개의 하위모듈러 함수의 차이로 이윤 지표를 모델링함으로써, 이는 비하위모듈러이자 비단조화가 되도록 하기 위해.
• 탐색 공간을 단순화하고 휴리스틱 기법을 적용해 고수익 시드 세트를 식별하는 효율적이고 효과적인 이중 단계 프레임워크를 설계하기 위해.
• 어떤 알고리즘에 의해 생성된 시드 세트의 품질을 평가하기 위한 이론적 경계를 개발하기 위해.
• 실제 세계의 OSN 데이터셋에서 이 프레임워크의 효과성과 효율성을 실증적으로 검증하여, 높은 근사 보장과 뚜렷한 속도 향상을 입증하기 위해.

제안 방법

• 이중 단계 프레임워크 제안: (1) 영향력과 비용 추정치를 기반으로 잠재력이 낮은 노드를 반복적으로 제거하는 제거 단계, (2) 축소된 집합 내에서 휴리스틱 알고리즘을 적용하는 탐색 단계.
• 영향력과 비용 추정의 정확도를 향상시키기 위해 정규화 기법을 도입하여 샘플링 오차를 감소시키고 제거의 효과를 향상시키기 위해.
• 역도달 가능(RR) 집합을 사용해 최대 달성 가능한 이윤에 대한 상한선을 도출하며, 신뢰구간과 샘플링 기법을 통해 더 날카운 상한선을 유도하기 위해.
• 두 상한선 중 더 날카로운 μ₃(X)과 μ₄(X) 중 하나를 선택하여, 높은 신뢰도(δ = 10⁻⁶)로 해답 품질을 평가하기 위해.
• RR 집합 샘플링을 활용해 영향력 확산과 확산 비용을 효율적으로 추정함으로써 대규모 네트워크에 대한 확장성을 확보하기 위해.
• 이론적 결과(예: 정리 2,推론 1)를 활용해 제거가 탐색 단계에서 사용되는 어떤 휴리스틱 알고리즘의 해 품질과 런타임 효율성 모두를 향상시킨다는 것을 증명하기 위해.

실험 결과

연구 질문

• RQ1 영향력 확산이 수익을 창출하지만 사용자 상호작용으로 인한 비용이 발생할 경우, OSN 제공자는 어떻게 이윤을 극대화할 수 있는가?
• RQ2 영향력 확보와 확산 비용을 통합한 이윤 지표를 최적화하는 데 효과적이고 확장 가능한 방법은 무엇인가?
• RQ3 비하위모듈러이자 비단조화인 이윤 최적화 문제에서 탐색 공간을 효과적으로 단순화하여 시드 선택의 효율성과 품질을 향상시킬 수 있는 방법은 무엇인가?
• RQ4 이 복잡한 이윤 극대화 환경에서 시드 세트의 근사 품질을 측정하기 위해 유도할 수 있는 이론적 경계는 무엇인가?
• RQ5 정규화 기법은 영향력과 비용 추정의 정확도를 얼마나 향상시키며, 최종 이윤과 런타임에 어떤 영향을 미치는가?

주요 결과

• 정규화 기법을 적용한 결과, 구글+에서는 탐색 공간이 98.3% 감소했고, 라이브저니에서는 83.7% 감소하여 효율성이 크게 향상되었다.
• 2¹⁰ × 10,000개의 RR 집합을 사용하여 그레디 알고리즘이 구글+ 데이터셋에서 98.7%의 근사 보장을 달성했고, 라이브저니에서는 72.9%를 기록하여 엄밀한 상한선을 반영함을 보여주었다.
• 제거 없이 그레디 알고리즘을 적용한 경우 라이브저니에서 음수의 이윤이 발생했지만, 제거 기법을 적용함으로써 최대 24.1%의 이윤 향상을 달성하여 이 기법의 핵심적 역할을 입증하였다.
• 모든 휴리스틱 알고리즘에서 제거 기법이 최대 3개의 지수 단위(1000배) 런타임을 단축시켜 효율성 향상을 확인하였다.
• 정규화 기법은 탐색 공간 감소량과 최종 이윤 모두를 향상시켰으며, 정규화된 경우 그레디 알고리즘이 더 높은 이윤을 창출함을 보였다.
• ModMod-1과 ModMod-2 휴리스틱 알고리즘은 각각 라이브저니에서 75.8%와 74.3%의 근사 보장을 달성하여 상한선에 비해 뛰어난 성능을 보였다.