[論文レビュー] Influence Maximization in Social Networks: Towards an Optimal Algorithmic Solution

Christian Borgs, Michael Brautbar+2 more|arXiv (Cornell University)|Dec 4, 2012

Complex Network Analysis Techniques被引用数 28

ひとこと要約

この論文は、社会的ネットワークにおける影響力拡散の近似的最適なアルゴリズムを提示している。時間計算量は (m + n)ǫ⁻³ log n であり、初期ノード数 k に依存しない。この方法は、従来の手法と比較して実行時間を著しく短縮する、新しいサンプリングに基づくアプローチを採用しており、大規模かつ動的なネットワークに対してもスケーラブルである。理論的最適性は対数要因の範囲内で保たれている。

ABSTRACT

Diffusion is a fundamental graph process, underpinning such phenomena as epidemic disease contagion and the spread of innovation by word-of-mouth. We address the algorithmic problem of finding a set of k initial seed nodes in a network so that the expected size of the resulting cascade is maximized, under the standard independent cascade model of network diffusion. The promiseofsuchanalgorithmliesinapplicationstoviralmarketing. However,runtimeisofcritical importance in this endeavor due to the massive size and volatility of the relevant networks. Our main result is an algorithm for the influence maximization problem that obtains the nearoptimal approximation factor of (1 − 1 e − ǫ), for any ǫ> 0, in time O((m + n)ǫ−3 logn) where n and m are the number of vertices and edges in the network. The runtime of our algorithm is independent of the number of seeds k and improves upon the previously best-known algorithms whichrun in time Ω(mnk·POLY(ǫ −1)). Importantly, ouralgorithmis essentiallyruntime-optimal (up to a logarithmic factor) as we establish a lower bound of Ω(m+n) on the runtime required to obtain a constant approximation.

研究の動機と目的

• 大規模で変動の激しいソーシャルネットワークにおける影響力拡散の計算的課題に対処すること。
• 著しく改善された実行時間効率を達成しつつ、近似的最適な影響力拡散を実現するアルゴリズムを開発すること。
• 従来のアルゴリズムがスケーラビリティを阻害していた初期ノード数 k に依存するのを軽減すること。
• 本手法が対数要因の範囲内でほぼ実行時間最適であることを示す理論的境界を確立すること。

提案手法

• すべての初期ノード集合に対して完全な計算を実行するのを避けるために、影響力拡散を効率的に推定するための新しいサンプリング技術を用いる。
• 各ノードの影響力を高い確率で近似するために確率的アプローチを適用し、繰り返しの完全なシミュレーションの必要性を低減する。
• 集中不等式を活用して推定誤差を制限し、(1 − 1/e − ǫ) の近似保証を確保する。
• 初期ノード選択プロセスから影響力推定を分離することで、k に依存しない時間計算量を達成する。
• サンプリングされた影響力推定値に基づくグリーディ選択戦略を採用し、最小限のオーバーヘッドで高品質な初期ノード選択を実現する。
• 下界解析により、定数近似を達成するには少なくとも Ω(m + n) 時間が必要であることが示され、提案手法のほぼ最適性が裏付けられる。

実験結果

リサーチクエスチョン

• RQ1 大規模ネットワークにスケーリング可能な、近似的最適な近似比を達成する影響力拡散アルゴリズムを設計できるか？
• RQ2 影響力拡散において、実行時間の初期ノード数 k への依存を排除することは可能か？
• RQ3 定数近似比を達成するために必要な理論的最小実行時間は何か？
• RQ4 計算コストを著しく削減しつつ、影響力推定の高精度をどのように維持できるか？

主な発見

• 提案手法は、影響力拡散に対して (1 − 1/e − ǫ) の近似比を達成しており、既知の最高の理論的保証と一致する。
• 実行時間は O((m + n)ǫ⁻³ log n) であり、初期ノード数 k に依存しない。これは、従来の Ω(mnk · POLY(ǫ⁻¹)) 手法と比べて顕著な改善である。
• 本手法の実行時間はほぼ最適であり、論文では任意の定数近似を達成するには少なくとも Ω(m + n) 時間が必要であると下界を示している。
• 推定誤差が高確率で有界であるように注意深く設計されたサンプリング戦略により、高い精度を維持している。
• k に依存せず、ǫ に対して対数的依存性を示すため、大規模ネットワークへのスケーリングが効率的に行える。