[论文解读] Popular Topics Spread Faster: New Dimension for Influence Propagation in Online Social Networks

Tianyi Pan, Alan Kuhnle+2 more|arXiv (Cornell University)|Feb 7, 2017

Complex Network Analysis Techniques参考文献 9被引用 5

一句话总结

本文提出了一种新颖的动态影响传播（DIP）模型，捕捉了在在线社交网络中，当话题变得流行时信息传播速度加快的现实现象。该文引入了在DIP下的阈值激活问题（TAP-DIP），这是一个具有动态传播速率的挑战性问题，并提出了FAST算法，其近似比为2log|V|，在真实OSN数据集上相比静态模型展现出更优的种子集效率和可扩展性。

ABSTRACT

Information can propagate among Online Social Network (OSN) users at a high speed, which makes the OSNs become important platforms for viral marketing. Although the viral marketing related problems in OSNs have been extensively studied in the past decade, the existing works all assume known propagation rates and are not able to solve the scenario when the rates may dynamically increase for popular topics. In this paper, we propose a novel model, Dynamic Influence Propagation (DIP), which allows propagation rates to change during the diffusion and can be used for describing information propagation in OSNs more realistically. Based on DIP, we define a new research problem: Threshold Activation Problem under DIP (TAP-DIP). TAP-DIP is more generalized than TAP and can be used for studying the DIP model. However, it adds another layer of complexity over the already \#P-hard TAP problem. Despite it hardness, we are able to approximate TAP-DIP with $O(\log|V|)$ ratio. Our solution consists of two major parts: 1) the Lipschitz optimization technique and 2) a novel solution to the general version of TAP, the Multi-TAP problem. We experimentally test our solution Using various real OSN datasets, and demonstrate that our solution not only generates high-quality yet much smaller seed sets when being aware of the rate increase, but also is scalable. In addition, considering DIP or not has a significant difference in seed set selection.

研究动机与目标

• 建模在线社交网络中传播速率随话题流行而提升的动态影响传播过程。
• 形式化一个新问题TAP-DIP，即在动态传播速率下寻找最小种子集以激活指定数量节点。
• 设计一种高效算法FAST，其对TAP-DIP问题的近似比接近静态模型下理论上可能的最佳值。
• 通过实证验证，考虑传播速率的动态提升可显著减小种子集规模并提升其质量，适用于真实OSN数据集。

提出的方法

• 提出DIP模型，当受感染节点数量超过预设阈值（即趋势条件）时，传播速率随之提升。
• 将TAP-DIP形式化为一个新问题，通过引入动态速率变化，推广静态TAP问题。
• 设计FAST算法，利用利普希茨优化估计速率提升的最优时间，将问题转化为固定时间子问题。
• 设计两个关键子程序：MMinSeed用于求解多TAP（MTAP）问题，Multi-IM用于求解多影响最大化（MIM）问题，二者均适用于动态环境。
• 对具有固定速率提升时间的子问题应用反向采样技术，即使在全局状态依赖下也能实现可扩展的影响估计。
• 通过敏感性分析和热力图评估参数对速率提升时机决策的影响。

实验结果

研究问题

• RQ1 当传播速率在话题流行后提升时，这种动态传播如何影响在线社交网络中的影响扩散？
• RQ2 当传播速率并非静态，而是依赖于当前受感染节点数量时，能否对影响传播问题进行建模与求解？
• RQ3 对于新提出的TAP-DIP问题，可达到的近似比是多少？尽管其复杂度增加，是否仍可高效计算？
• RQ4 在真实世界OSN数据集中，考虑动态速率对种子集规模和质量有何影响？

主要发现

• 基于约4,000个Twitter趋势话题的转发数据，实证验证了DIP模型，结果表明话题成为流行后传播速度显著加快。
• FAST算法对TAP-DIP问题实现了2log|V|的近似比，该结果接近静态TAP问题的最佳已知近似比。
• 在所有测试数据集中，FAST生成的种子集显著小于基线方法，同时仍能达成激活阈值，其中LiveJournal数据集的改进最为显著。
• 敏感性分析表明，当需要更多节点触发趋势时，FAST会延迟速率提升；当趋势后传播速率较低时，会避免过早提升，体现出成本意识的决策机制。
• 实验表明，忽略动态速率提升会导致次优的种子选择，基线种子集通常激活远超需求的节点数量，表明存在显著的规模缩减空间。
• 该算法在多种OSN数据集上保持可扩展性和有效性，涵盖小型（Facebook、WikiVote）、中型（Gplus、Twitter）和大型（LiveJournal、Pokec）网络。