[论文解读] Efficient collective influence maximization in threshold models of behavior cascading with first-order transitions

Sen Pei, Xian Teng+3 more|arXiv (Cornell University)|Jun 8, 2016

Complex Network Analysis Techniques被引用 3

一句话总结

本文提出了一种线性可扩展的算法，用于在具有一级相变的阈值模型下识别大规模网络中的关键传播者。通过量化沿级联传播路径（即亚临界路径）的影响，该方法实现了高效的集体影响力最大化，在合成网络和真实网络中均优于现有的线性启发式方法。

ABSTRACT

In social networks, the collective behavior of large populations can be shaped by a small set of influencers through a cascading process induced by peer pressure. For large-scale networks, efficient identification of multiple influential spreaders with a linear algorithm in threshold models that exhibit a first-order transition still remains a challenging task. Here we address this issue by exploring the collective influence in general threshold models of behavior cascading. Our analysis reveals that the importance of spreaders is fixed by the subcritical paths along which cascades propagate: the number of subcritical paths attached to each spreader determines its contribution to global cascades. The concept of subcritical path allows us to introduce a linearly scalable algorithm for massively large-scale networks. Results in both synthetic random graphs and real networks show that the proposed method can achieve larger collective influence given same number of seeds compared with other linearly scalable heuristic approaches.

研究动机与目标

• 为在具有第一级相变的阈值模型下，高效识别大规模网络中的多个关键传播者提供解决方案。
• 通过开发一种线性可扩展的解决方案，克服现有方法在大规模网络中计算不可行的问题。
• 识别一种结构性质——亚临界路径，该性质决定了每个传播者对全局级联的贡献。
• 设计一种实用算法，在使用相同数量种子节点的情况下，实现高于现有线性启发式方法的集体影响力。

提出的方法

• 引入亚临界路径的概念，作为控制阈值模型中级联传播的基本结构单元。
• 将节点的集体影响力定义为与其相连的亚临界路径数量成正比。
• 开发一种线性时间算法，基于亚临界路径数量计算每个节点的影响力得分。
• 应用该算法通过贪心选择策略，选择具有最大集体影响力的种子节点集合。
• 采用将网络分解为亚临界路径组件的方法，以实现高效计算。
• 在合成随机图和真实网络上验证该方法，以确保其可扩展性和性能。

实验结果

研究问题

• RQ1 在阈值模型中，何种结构性质决定了节点对全局级联的贡献？
• RQ2 能否设计一种线性时间算法，用于在具有第一级相变的大规模网络中识别关键传播者？
• RQ3 与节点相连的亚临界路径数量如何影响其在集体行为级联中的影响力？
• RQ4 所提出的方法是否能在合成网络和真实网络中均实现高于现有线性启发式方法的集体影响力？

主要发现

• 在阈值模型下，与节点相连的亚临界路径数量是其对全局级联影响力的关键决定因素。
• 所提出的算法与网络规模呈线性关系，可高效应用于大规模网络。
• 在合成随机图中，该方法在使用相同种子数量的情况下，实现了比其他线性启发式方法更大的集体影响力。
• 在真实网络中，该方法在影响力传播方面始终优于现有线性方法。
• 通过聚焦于亚临界路径连通性而非局部中心性度量，该方法更有效地识别关键节点。
• 亚临界路径框架有效捕捉并利用了阈值模型中的第一级相变行为。