[論文レビュー] Minimizing Seed Set Selection with Probabilistic Coverage Guarantee in a Social Network

Peng Zhang, Wei Chen+3 more|arXiv (Cornell University)|Feb 22, 2014

Complex Network Analysis Techniques参考文献 6被引用数 6

ひとこと要約

本稿では、与えられたしきい値に達する影響力カバレッジを確率P以上で達成する最小のシードセットを選択する近似アルゴリズム、MinSeed-PCGを提案する。実ネットワークにおける影響力カバレッジの集中性を利用することで、O(log n)の乗法的近似比と小さな加法的誤差を達成し、実世界のネットワークにおける実験でベースライン手法を上回る性能を示した。

ABSTRACT

A topic propagating in a social network reaches its tipping point if the number of users discussing it in the network exceeds a critical threshold such that a wide cascade on the topic is likely to occur. In this paper, we consider the task of selecting initial seed users of a topic with minimum size so that with a guaranteed probability the number of users discussing the topic would reach a given threshold. We formulate the task as an optimization problem called seed minimization with probabilistic coverage guarantee (SM-PCG). This problem departs from the previous studies on social influence maximization or seed minimization because it considers influence coverage with probabilistic guarantees instead of guarantees on expected influence coverage. We show that the problem is not submodular, and thus is harder than previously studied problems based on submodular function optimization. We provide an approximation algorithm and show that it approximates the optimal solution with both a multiplicative ratio and an additive error. The multiplicative ratio is tight while the additive error would be small if influence coverage distributions of certain seed sets are well concentrated. For one-way bipartite graphs we analytically prove the concentration condition and obtain an approximation algorithm with an $O(\log n)$ multiplicative ratio and an $O(\sqrt{n})$ additive error, where $n$ is the total number of nodes in the social graph. Moreover, we empirically verify the concentration condition in real-world networks and experimentally demonstrate the effectiveness of our proposed algorithm comparing to commonly adopted benchmark algorithms.

研究の動機と目的

• 最小のシードセットで、感染拡散を誘発する際、臨界的な影響力しきい値に到達する確率を保証するという課題に取り組む。
• 従来の研究とは異なり、期待影響力ではなく確率的カバレッジに焦点を当てた、確率的カバレッジ保証付きシード最小化問題（SM-PCG）を定式化し、解法を提示する。
• 影響力カバレッジ分布の集中性を仮定したもとで、SM-PCGの理論的近似保証（乗法的誤差と加法的誤差の両方）を提供する。
• 実世界のネットワークにおける影響力カバレッジの集中性を実験的に検証し、MinSeed-PCGがランダム、高次数、PageRankに基づくシード選択ヒューリスティクスを上回ることを示す。

提案手法

• SM-PCG問題を、Inf(S)がSの確率的影響力カバレッジであるとき、Pr(Inf(S) ≥ η) ≥ Pを満たす最小のシードセットSの選択問題として定式化する。
• Montエロ・シミュレーションを用いてPr(Inf(S) ≥ η)を推定し、ε-近似を用いたグリーディ選択戦略を適用することで、精度と効率のバランスを図るMinSeed-PCG[ε]アルゴリズムを提案する。
• 理論的境界を確立：影響力カバレッジの集中性が成り立つ条件下で、O(log n)の乗法的近似比とO(√n)の加法的誤差を達成する。
• 一方向バイパートィットグラフを解析的に分析し、影響力カバレッジが良好に集中することを証明することで、タイトな理論的近似保証の根拠を提供する。
• モンテカルロシミュレーションを用いて影響力カバレッジ確率を推定し、εを調整することで近似品質を制御する。
• 実世界のネットワーク（Wiki-Vote, NetHEPT, Flixster）において、影響力カバレッジの集中性を実験的に検証し、カバレッジ分布がきわめて集中していることを示した。これにより理論的仮定の妥当性が裏付けられ、アルゴリズムの優れた性能が正当化される。

実験結果

リサーチクエスチョン

• RQ1 与えられたしきい値ηに到達する確率P以上を満たす最小のシードセットを効率的に選択できるアルゴリズムを設計できるか？
• RQ2 実世界のネットワークにおいて、シードセットの影響力カバレッジ分布は十分に集中しているか？ これにより、強い理論的近似保証が可能になるか？
• RQ3 標準的なヒューリスティクス（ランダム、高次数、PageRank）と比較して、提案されたMinSeed-PCG[ε]アルゴリズムのシードセットサイズとカバレッジ確率はどのように異なるか？
• RQ4 乗法的誤差と加法的誤差の観点から、アルゴリズムの理論的近似品質はどの程度か？ また、加法的誤差が小さい条件は何か？
• RQ5 特定のグラフクラス（例：一方向バイパートィットグラフ）において、影響力カバレッジの集中性を解析的に証明できるか？

主な発見

• Flixsterネットワーク（トピック2、P=0.1）において、MinSeed-PCG[ε]はランダム手法と比較して平均で91.1%小さいシードセットを選択した。高次数手法と比較して73.0%小さく、PageRankと比較して24.4%小さかった。
• Wiki-Vote（η=4,500、P=0.5）において、MinSeed-PCG[ε]はPageRankと比較して38.8%、高次数と比較して30.8%、ランダムと比較して76.3%のシードセットサイズ削減を達成した。
• NetHEPT（η=10,500）において、MinSeed-PCG[ε]はPageRankと比較して36.1%、高次数と比較して52.9%、ランダムと比較して平均で49.6%小さいシードセットを選択した。
• Flixster（トピック1、η=4,000）において、MinSeed-PCG[ε]はPageRankと比較して53.2%、高次数と比較して70.7%、ランダムと比較して93.9%のシード数削減を達成した。
• アルゴリズムはカバレッジ確率における鋭い臨界転移を示し、ベースライン手法よりもはるかに少ないシード数で目標確率しきい値に到達した。
• 実験的結果により、実世界のネットワークにおける影響力カバレッジが良好に集中していることが確認され、理論的仮定の妥当性が裏付けられ、アルゴリズムの優れた性能が正当化された。