[論文レビュー] Scalable Influence Maximization for Multiple Products in Continuous-Time Diffusion Networks

Nan Du, Yingyu Liang+4 more|arXiv (Cornell University)|Dec 8, 2016

Complex Network Analysis Techniques被引用数 28

ひとこと要約

本稿では、複数の現実世界の制約——限定的予算、ユーザーの注目時間、タイミング制約——を考慮した連続時間拡散ネットワークにおける影響力最大化のためのスケーラブルなアルゴリズム、BudgetMaxを提案する。問題は、マトロイド制約とナップサック制約の下でのサブモジュラ最大化として定式化される。また、O(1/ε²)回のランダム化と Õ(n|E| + n|V|) の計算量で高い精度を達成する、ConTinEstと呼ばれる確率的影響力推定手法を導入し、kₐ個のナップサック制約がアクティブな場合にkₐ/(2 + 2k)の保証付き近似解が得られる。

ABSTRACT

A typical viral marketing model identifies influential users in a social network to maximize a single product adoption assuming unlimited user attention, campaign budgets, and time. In reality, multiple products need campaigns, users have limited attention, convincing users incurs costs, and advertisers have limited budgets and expect the adoptions to be maximized soon. Facing these user, monetary, and timing constraints, we formulate the problem as a submodular maximization task in a continuous-time diffusion model under the intersection of a matroid and multiple knapsack constraints. We propose a randomized algorithm estimating the user influence in a network ($|\mathcal{V}|$ nodes, $|\mathcal{E}|$ edges) to an accuracy of $ε$ with $n=\mathcal{O}(1/ε^2)$ randomizations and $ ilde{\mathcal{O}}(n|\mathcal{E}|+n|\mathcal{V}|)$ computations. By exploiting the influence estimation algorithm as a subroutine, we develop an adaptive threshold greedy algorithm achieving an approximation factor $k_a/(2+2 k)$ of the optimal when $k_a$ out of the $k$ knapsack constraints are active. Extensive experiments on networks of millions of nodes demonstrate that the proposed algorithms achieve the state-of-the-art in terms of effectiveness and scalability.

研究の動機と目的

• 単一製品、無制限予算、離散時間の設定を仮定する伝統的な影響力最大化の限界を克服し、複数製品、ユーザーの注目時間制限、キャンペーン予算制約といった現実世界の制約を統合する。
• 連続時間拡散ネットワークにおける影響力最大化問題を、1つのマトロイド制約（例：ユーザーの注目時間やグループ制限）と複数のナップサック制約（例：製品別予算、ユーザー単位のコスト）の交差の下でのサブモジュラ最大化問題として定式化する。
• 大規模ネットワーク（数百万ノード）においても高い統計的信頼性をもって正確な影響力推定を実現する、効率的でスケーラブルな影響力推定アルゴリズム、ConTinEstを開発する。
• アクティブなナップサック制約の下で理論的近似保証kₐ/(2 + 2k)を達成する、適応的スレッショルドグリーディー・アルゴリズム、BudgetMaxを設計する。実用的状況における強固な性能を保証する。
• 合成ネットワークおよび実世界のネットワークにおいて、提案手法の有効性とスケーラビリティを実証し、影響力拡散の面でも計算効率の面でも、既存のベースライン手法を顕著に上回ることを示す。

提案手法

• 影響力推定に特化した確率的アルゴリズムConTinEstを提案。εの精度で影響力を推定するため、n = O(1/ε²)回のランダム化を実行し、|V|ノードと|E|エッジのネットワークに対して計算量は Õ(n|E| + n|V|) である。
• 連続時間確率過程を用いて影響力拡散をモデル化することで、バインディングに起因する誤差を回避し、離散時間モデルよりも高い推定精度を達成する。
• 影響力最大化問題を、1つのマトロイド制約（例：ユーザーの注目時間やグループ制限）と複数のナップサック制約（例：製品別予算、ユーザー単位のコスト）の交差の下でのサブモジュラ最大化問題として定式化する。
• アクティブなナップサック制約に応じてスレッショルドを動的に調整する、適応的スレッショルドグリーディー・アルゴリズムであるBudgetMaxを設計。kₐ個のナップサック制約がアクティブな場合、近似比kₐ/(2 + 2k)を達成する。
• 影響関数のサブモジュラリティと制約の構造を活用することで、理論的性能保証を維持しながらもスケーラビリティを確保する。
• 影響力推定と最大化を統合されたパイプラインとして統合し、ConTinEstをBudgetMax内のサブルーチンとして活用することで、複雑な制約下での影響力を持つノードの選択を支援する。

実験結果

リサーチクエスチョン

• RQ1 数百万ノード規模のネットワークにおいて、連続時間拡散ネットワークにおける影響力推定を、精度とスケーラビリティの両面でどのように向上できるか？
• RQ2 連続時間モデルと離散時間モデルを比較した場合、推定精度と計算コストにどのような影響があるか？
• RQ3 マトロイド制約と複数のナップサック制約の交差を考慮した影響力最大化問題を、現実世界の制約（ユーザーの注目時間、予算制限など）を反映して効果的に定式化・解釈できるか？
• RQ4 このような複雑な制約下でも、保証付き近似性能を持つグリーディー・アルゴリズムを設計できるか。その理論的性能限界は何か？
• RQ5 実世界および合成ネットワークにおいて、提案手法BudgetMaxは、既存のスケーラブルな代替手法と比較して、影響力拡散の面でも計算効率の面でも優れているか？

主な発見

• ConTinEstは、O(1/ε²)回のランダム化と Õ(n|E| + n|V|) の計算量で、数百万ノード規模の大規模ネットワークにおいても高い精度の影響力推定を実現し、推定精度において従来の最先端手法を顕著に上回る。
• kₐ個のナップサック制約がアクティブな場合、BudgetMaxは最適解に対する近似保証kₐ/(2 + 2k)を達成し、実用的性能の強固な理論的基盤を提供する。
• 実世界および合成ネットワークにおいて、BudgetMaxはGreedy(離散)法およびランダム配分手法と比較して、平均で20%の影響力拡散の向上を達成し、優れた有効性を示す。
• アルゴリズムは数百万ノード規模のネットワークに対しても効率的にスケーリング可能であり、Facebookのようなプラットフォームにおける大規模なバイラルマーケティングや広告配分の実用性を裏付ける。
• 本手法は、主要メディアサイトからニッチ／ローカルサイトまで、拡散特性に応じて製品を多様なノードに効果的に割り当てることができ、現実的で直感的な割り当てパターンを再現する。
• 実験により、連続時間モデルが離散時間モデルよりも高い影響力推定精度を達成することが確認され、連続時間拡散を優れたモデリングフレームワークとして採用する正当性が裏付けられた。