[논문 리뷰] Social Sensor Placement in Large Scale Networks: A Graph Sampling Perspective

Junzhou Zhao, John C. S. Lui외 3명|arXiv (Cornell University)|2013. 05. 28.

Complex Network Analysis Techniques참고 문헌 12인용 수 7

한 줄 요약

이 논문은 대규모 온라인 사회망(ONS)에서 효율적이고 정확한 사회 센서 배치를 위한 그래프 샘플링 기반 접근법을 제안한다. 확률적 샘플링을 통해 검색 공간을 줄여 이론적 보장을 갖춘 고품질 솔루션을 달성한다. 무작위 보행 기반 샘플링이 정점 샘플링보다 우수하며, 성능 손실를 최소화하면서도 확장성 있고 정확한 정보 확산 감지가 가능하다.

ABSTRACT

Sensor placement for the purpose of detecting/tracking news outbreak and preventing rumor spreading is a challenging problem in a large scale online social network (OSN). This problem is a kind of subset selection problem: choosing a small set of items from a large population so to maximize some prespecified set function. However, it is known to be NP-complete. Existing heuristics are very costly especially for modern OSNs which usually contain hundreds of millions of users. This paper aims to design methods to find \emph{good solutions} that can well trade off efficiency and accuracy. We first show that it is possible to obtain a high quality solution with a probabilistic guarantee from a "{\em candidate set}" of the underlying social network. By exploring this candidate set, one can increase the efficiency of placing social sensors. We also present how this candidate set can be obtained using "{\em graph sampling}", which has an advantage over previous methods of not requiring the prior knowledge of the complete network topology. Experiments carried out on two real datasets demonstrate not only the accuracy and efficiency of our approach, but also effectiveness in detecting and predicting news outbreak.

연구 동기 및 목표

• 전체 네트워크 구조가 알려져 있지 않은 대규모 ONS에서 최적의 사회 센서를 선택하는 데 도전하는 것. 기존의 탐욕 알고리즘은 계산적으로 비현실적이다.
• 사용자 동적 변화가 존재하더라도 미래의 정보 확산을 높은 정확도로 예측할 수 있는 계산적으로 효율적인 사회 센서 배치 방법을 개발하는 것.
• 해당 솔루션의 품질을 유지하면서도 계산 비용을 줄여 자주 센서를 재선택할 수 있도록 하여 실시간 이벤트 추적에 기여하는 것.
• ONS 네트워크 전체의 구조를 알지 못해도 솔루션 품질에 대한 이론적 확률 보장을 제공하는 것.
• 단순한 정점 샘플링 대비 구조적 정보(무작위 보행을 통한)를 활용함으로써 센서 선택 품질을 향상시키는 것의 효과를 입증하는 것.

제안 방법

• 정보 확산 감지를 목적으로 대규모 네트워크에서 집합 함수를 최대화하는 서브셋 선택 문제로 사회 센서 배치를 수식화한다.
• 그래프 샘플링 기법을 활용한 후보 집합 축소 전략을 도입하여 센서 선택의 검색 공간을 크게 줄인다.
• 무작위 보행 기반 샘플링을 사용해 ONS의 구조적 특성을 유지하는 고품질 후보 집합을 생성하며, 균일한 정점 샘플링보다 우수한 성능을 보인다.
• 목적 함수의 하위모듈라리티를 활용해 샘플된 후보 집합에서 탐욕적 선택을 수행함으로써, 최적해의 약 (1−1/e) 비율 내의 해를 높은 확률로 확보한다.
• 샘플된 후보 집합에서 탐욕적 선택을 가속화하기 위해 CELF(Cost-Effective Lazy Forward) 최적화 기법을 적용한다.
• 사용자 활동 이력 등의 맥락 정보를 통합하여 샘플 크기를 추가로 줄이고 효율성을 향상시키되, 정확도를 훼손하지 않는다.

실험 결과

연구 질문

• RQ1 그래프 샘플링을 사용해 사회 센서 배치의 검색 공간을 줄일 수 있는가? 이때 고품질의 솔루션과 확률적 보장을 유지할 수 있는가?
• RQ2 무작위 보행 기반 샘플링이 정점 샘플링 대비 사회 센서 선택의 품질과 효율성에서 어떻게 다른가?
• RQ3 그래프 샘플링을 통해 전체 네트워크 구조를 사전에 알지 못하더라도 대규모 ONS에서 정보 확산을 확장성 있고 정확하게 감지할 수 있는가?
• RQ4 사용자 이탈과 네트워크 동적 변화가 존재하더라도 제안된 방법이 향후 사건에 대해 강력한 예측 성능을 유지할 수 있는가?
• RQ5 사용자 활동 이력을 정규화 규칙으로 통합할 경우 센서 선택의 성능과 효율성에 어떤 영향을 미치는가?

주요 결과

• 무작위 보행 기반 그래프 샘플링은 정점 샘플링보다 더 높은 품질의 후보 집합을 생성하여 센서 선택 성능을 향상시킨다.
• 제안된 방법은 최적해의 약 63%((1−1/e) 비율) 내의 솔루션 품질을 높은 확률로 달성하며, 이는 탐욕 알고리즘의 이론적 한계와 일치한다.
• 신나 웨이보와 트위터에서의 실험 결과, 기존의 탐욕 알고리즘에 비해 훨씬 더 효율적이면서도 정보 확산 감지 및 예측 정확도를 유지함을 입증했다.
• 사용자 활동 이력을 정규화 규칙으로 통합함으로써 성능 향상과 필요한 샘플 크기 감소를 달성했으며, 이는 경험적 결과와 일치한다.
• 계산 효율성 덕분에 센서를 자주 재선택할 수 있어 향후 사건 예측 능력이 향상된다.
• 특히 대규모 네트워크에서 기존 최고 수준의 접근법인 가속 탐욕(AG) 대비 확장성과 일관된 성능에서 뛰어난 성능을 보였다.