[论文解读] Balancing Information Exposure in Social Networks

Kiran Garimella, Aristides Gionis+2 more|arXiv (Cornell University)|Sep 5, 2017

Game Theory and Applications参考文献 28被引用 40

一句话总结

本文提出了一种新颖的框架，通过战略性地为两个对立的活动选择种子用户，以在社交网络中实现信息暴露的平衡，采用对称差分目标函数来捕捉平衡的信息暴露。尽管该目标函数具有非单调性和非子模性，作者仍设计了近似算法——Hedge、Common 和 Cover，实证性能表现优异，特别是 Hedge 算法在相关网络中相比基线方法性能提升达一个数量级。

ABSTRACT

Social media has brought a revolution on how people are consuming news. Beyond the undoubtedly large number of advantages brought by social-media platforms, a point of criticism has been the creation of echo chambers and filter bubbles, caused by social homophily and algorithmic personalization. In this paper we address the problem of balancing the information exposure in a social network. We assume that two opposing campaigns (or viewpoints) are present in the network, and that network nodes have different preferences towards these campaigns. Our goal is to find two sets of nodes to employ in the respective campaigns, so that the overall information exposure for the two campaigns is balanced. We formally define the problem, characterize its hardness, develop approximation algorithms, and present experimental evaluation results. Our model is inspired by the literature on influence maximization, but we offer significant novelties. First, balance of information exposure is modeled by a symmetric difference function, which is neither monotone nor submodular, and thus, not amenable to existing approaches. Second, while previous papers consider a setting with selfish agents and provide bounds on best response strategies (i.e., move of the last player), we consider a setting with a centralized agent and provide bounds for a global objective function.

研究动机与目标

• 通过促进对立观点的平衡曝光，解决社交媒体中的过滤气泡和回音室问题。
• 将信息曝光建模为对称差分函数，以捕捉用户对两个活动的平衡或非平衡曝光状态。
• 为集中式代理设计近似算法，以在预算约束下选择种子节点，从而最大化平衡曝光。
• 克服影响最大化设置中非单调且非子模目标函数带来的挑战。
• 在涵盖多种争议性话题的真实世界 Twitter 数据集上评估所提方法。

提出的方法

• 将问题形式化为最大化同时暴露于两个活动或均未暴露的用户期望数量，以暴露集合的对称差分为优化目标。
• 提出 Hedge 算法，一种类似贪心的方法，分批选择种子对，以优化两个活动之间的平衡曝光。
• 设计三种近似算法——Hedge、Common 和 Cover，分别针对异质性或相关性影响传播场景进行优化。
• 采用独立级联模型进行信息传播，允许不同活动间的影响概率独立或相关。
• 在集中控制下使用全局目标函数，与以往基于自私代理最佳响应策略的研究不同。
• 采用启发式基线方法（如 Greedy、HighDegree、Random），并以期望对称差分值（n−Φ）作为性能评估指标。

实验结果

研究问题

• RQ1 集中式代理应如何最优地选择两个对立活动的种子节点，以在社交网络中最大化平衡的信息曝光？
• RQ2 在优化一个既非单调也非子模的对称差分目标函数时，存在哪些算法挑战？
• RQ3 在异质性和相关性影响传播设置下，不同算法策略（如 Hedge、Greedy、Common）的性能表现如何比较？
• RQ4 与标准启发式方法相比，所提算法在多大程度上能够减少过滤气泡？
• RQ5 所提算法在真实世界社交网络数据集上的可扩展性和效率如何？

主要发现

• 在相关网络中，Hedge 算法在减少非平衡曝光方面相比 Greedy 和其他基线方法性能提升达一个数量级。
• 在异质性网络中，Hedge 算法平均将非平衡用户数量减少为 HighDegree 基线的一半。
• Hedge 算法在所有基线中始终取得最低的对称差分值，且在 12 个数据集中的 3 个上表现最佳。
• 尽管目标函数非子模，但实际中算法表现出递减回报特性，表明具有稳定的收敛性。
• BBLO 基线（专门针对同一目标函数调优）性能几乎与 Hedge 相当，证实了对称差分度量的稳健性。
• 所有所提算法在网络规模增大时均表现出良好的可扩展性，不同数据集间的运行时间相近，表明其具备实际可行性。