[论文解读] Limited Attention and Centrality in Social Networks

Kristina Lerman, Prachi Jain+3 more|arXiv (Cornell University)|Mar 18, 2013

Complex Network Analysis Techniques参考文献 1被引用 6

一句话总结

本文提出有限注意力阿尔法中心度（laAC），一种新型中心度度量方法，用于建模社交网络中用户有限注意力对信息传播的影响。通过基于节点入度加权消息接收，laAC在 Digg 和 Twitter 数据上的实际影响力排名预测上，优于传统中心度度量方法。

ABSTRACT

How does one find important or influential people in an online social network? Researchers have proposed a variety of centrality measures to identify individuals that are, for example, often visited by a random walk, infected in an epidemic, or receive many messages from friends. Recent research suggests that a social media users' capacity to respond to an incoming message is constrained by their finite attention, which they divide over all incoming information, i.e., information sent by users they follow. We propose a new measure of centrality --- limited-attention version of Bonacich's Alpha-centrality --- that models the effect of limited attention on epidemic diffusion. The new measure describes a process in which nodes broadcast messages to their out-neighbors, but the neighbors' ability to receive the message depends on the number of in-neighbors they have. We evaluate the proposed measure on real-world online social networks and show that it can better reproduce an empirical influence ranking of users than other popular centrality measures.

研究动机与目标

• 解决现有中心度度量在捕捉用户注意力有限的社交网络中真实影响力方面的局限性。
• 建模注意力约束如何影响在线社交网络中的消息接收与类似流行病的传播过程。
• 开发一种可扩展的近似算法，用于在大规模网络上计算 laAC，且具有可证明的误差界。
• 利用 Digg 和 Twitter 的实证数据，将 laAC 与标准中心度度量进行对比评估。
• 证明 laAC 在重现实际影响力排名方面优于度数中心度、PageRank 或标准阿尔法中心度。

提出的方法

• 提出有限注意力阿尔法中心度（laAC）作为建模注意力受限消息接收的解决方案，其中节点接收消息的能力取决于其入度。
• 通过递归公式定义 laAC：cr(α,s)[i] = s[i] + α × Σ (cr(α,s)[j] / d_in(j))，其中 j 为节点 i 的出邻居。
• 提出一种快速近似算法，利用残差向量和优先队列仅处理显著贡献，从而减少计算时间。
• 设定误差容限 δ，并使用 ε = δ||s||₁ / (|V|d_max_in) 控制近似精度，确保在 O(|V|d_max_in / (δ(1−α))) 时间内收敛。
• 将相同的近似框架适配至有限注意力 PageRank（laPR），用于对比评估。
• 采用性能保证和迭代精化策略，在保持高精度的同时实现对大规模网络（如 Digg 和 Twitter）的可扩展性。

实验结果

研究问题

• RQ1 与传统扩散模型相比，有限用户注意力如何影响在线社交网络中的信息传播？
• RQ2 是否一种纳入注意力约束的中心度度量能比标准中心度度量更好地预测真实世界的影响排名？
• RQ3 在大规模网络上，有限注意力阿尔法中心度的近似算法在计算效率和精度方面表现如何？
• RQ4 laAC 在重现真实社交网络中实际影响力排名方面，与度数中心度、PageRank 和标准阿尔法中心度相比表现如何？
• RQ5 将注意力建模为与入度成反比，能在多大程度上提升中心度度量的现实性与预测能力？

主要发现

• 所提出的有限注意力阿尔法中心度（laAC）在 Digg 和 Twitter 网络中，于重现实际影响力排名方面优于度数中心度、PageRank 和标准阿尔法中心度。
• laAC 的近似算法在误差容限 δ 下实现高精度，且随着 δ 减小，性能提升，收敛时间相应增加。
• 在 Gnutella、USAir 和 Powergrid 网络中，近似 laAC 和 laPR 算法表现出较低的均方根误差，并随网络规模高效扩展。
• 收敛所需的迭代次数随 δ 减小而增加，这一趋势在 Digg 和 Twitter 数据集中清晰可见。
• 近似 laAC 算法的理论时间复杂度为 O(|V|d_max_in / (δ(1−α)))，实证结果证实其在真实世界图谱中的实际效率。