[论文解读] Influence Maximization via Representation Learning.

George Panagopoulos, Michalis Vazirgiannis+1 more|arXiv (Cornell University)|Apr 18, 2019

Opinion Dynamics and Social Influence被引用 2

一句话总结

IMINFECTOR 提出了一种用于影响最大化的影响表示学习方法，通过扩散级联联合嵌入影响者与易感节点，实现了可扩展的、与模型无关的影响估计和具有理论保证的贪心种子选择。在三个真实网络中，该方法在效率和种子质量方面均优于现有方法。

ABSTRACT

We address the problem of influence maximization when the social network is accompanied by diffusion cascades. In prior works, such information is used to compute influence probabilities, which is utilized by stochastic diffusion models in influence maximization. Motivated by the recent criticism on the effectiveness of diffusion models as well as the galloping advancements in influence learning, we propose IMINFECTOR (Influence Maximization with INFluencer vECTORs), a unified approach that uses representations learned from diffusion cascades to perform model-independent influence maximization that scales in real-world datasets. The first part of our methodology is a multi-task neural network that learns embeddings of nodes that initiate cascades (influencer vectors) and embeddings of nodes that participate in them (susceptible vectors). The norm of an influencer vector captures the ability of the node to create lengthy cascades and is used to estimate the expected influence spread and reduce the number of candidate seeds. In addition, the combination of influencer and susceptible vectors form the diffusion probabilities between nodes. These are used to reformulate the network as a bipartite graph and propose a greedy solution to influence maximization that retains the theoretical guarantees.We a pply our method in three sizable networks with diffusion cascades and evaluate it using cascades from future time steps. IMINFECTOR is able to scale in all of them and outperforms various competitive algorithms and metrics from the diverse landscape of influence maximization in terms of efficiency and seed set quality.

研究动机与目标

• 通过利用表示学习，解决传统随机扩散模型在影响最大化中的局限性。
• 学习能够捕捉影响潜力和易感性的节点嵌入，基于真实的扩散级联。
• 实现在大规模真实网络上的可扩展影响最大化，而无需依赖预定义的扩散模型。
• 在提升种子集合质量的同时，保持影响传播估计的理论保证。
• 通过使用影响者向量的范数作为影响潜力的代理，减少候选种子数量。

提出的方法

• 一个多任务神经网络学习影响者向量（发起级联的节点）和易感者向量（参与级联的节点）。
• 影响者向量的范数用于估计期望的影响传播范围，从而实现对低潜力种子候选的剪枝。
• 节点之间的扩散概率由影响者向量与易感者向量的点积推导得出。
• 利用这些学习到的概率，将网络重新构型为二部图，以支持贪心影响最大化。
• 在重构的二部图上应用贪心算法，同时保持对影响传播的理论保证。
• 该方法在观测到的扩散级联上端到端训练，并在未来的级联上进行评估，以衡量泛化能力。

实验结果

研究问题

• RQ1 从扩散级联中进行表示学习是否能超越传统随机模型，提升影响最大化性能？
• RQ2 学习到的影响者向量范数是否能有效预测影响传播并减少种子候选的搜索空间？
• RQ3 影响者与易感者向量的组合是否能产生准确的扩散概率，以支持影响估计？
• RQ4 一种与模型无关的方法是否能在保持理论性能保证的同时，扩展到真实网络？
• RQ5 与现有影响最大化算法相比，该方法在效率和种子质量方面表现如何？

主要发现

• IMINFECTOR 在三个大规模真实网络的扩散级联上表现出有效的可扩展性。
• 该方法在种子集合的效率和质量方面均优于多种竞争算法。
• 影响者向量的范数成功捕捉了影响潜力，从而有效剪枝了低影响的种子候选。
• 通过向量交互学习到的扩散概率显著提高了影响传播估计的准确性。
• 在重构的二部图上应用贪心算法，保持了对影响传播的理论保证。
• 在未来的级联上进行评估，证实该方法在训练数据之外具有良好的泛化能力。