[논문 리뷰] Steering Social Activity: A Stochastic Optimal Control Point Of View

Ali Zarezade, Abir De외 3명|arXiv (Cornell University)|2018. 02. 19.

Diffusion and Search Dynamics참고 문헌 5인용 수 12

한 줄 요약

이 논문은 사용자 행동을 마킹된 시간적 포인트 과정으로 모델링하고, 점프가 있는 확률적 미분 방정식을 통해 제어 정책을 유도하여 온라인 네트워크 내 사회적 활동을 조정하기 위한 확률적 최적 제어 프레임워크를 제안한다. 두 가지 효율적인 온라인 알고리즘—개인 사용자를 위한 RedQueen과 네트워크 전체 활동을 위한 Cheshire—을 도입하였으며, 이들은 증명 가능성이 있는 최적성과 선형 제어 법칙을 제공하여 합성 데이터 및 실제 트위터 데이터에서 최신 기법들을 능가한다.

ABSTRACT

User engagement in online social networking depends critically on the level of social activity in the corresponding platform--the number of online actions, such as posts, shares or replies, taken by their users. Can we design data-driven algorithms to increase social activity? At a user level, such algorithms may increase activity by helping users decide when to take an action to be more likely to be noticed by their peers. At a network level, they may increase activity by incentivizing a few influential users to take more actions, which in turn will trigger additional actions by other users. In this paper, we model social activity using the framework of marked temporal point processes, derive an alternate representation of these processes using stochastic differential equations (SDEs) with jumps and, exploiting this alternate representation, develop two efficient online algorithms with provable guarantees to steer social activity both at a user and at a network level. In doing so, we establish a previously unexplored connection between optimal control of jump SDEs and doubly stochastic marked temporal point processes, which is of independent interest. Finally, we experiment both with synthetic and real data gathered from Twitter and show that our algorithms consistently steer social activity more effectively than the state of the art.

연구 동기 및 목표

• 전략적으로 사용자 행동의 타이밍을 조절하여 온라인 소셜 네트워크 내 사회적 활동을 증가시키는 데이터 기반의 온라인 알고리즘을 설계하기.
• 다중 차원 하크스 과정을 사용하여 외생적 및 내생적 행동을 포함하는 마킹된 시간적 포인트 과정으로 사용자 참여도를 모델링하기.
• 점프가 있는 확률적 미분 방정식을 사용하여 이러한 과정의 별도 표현을 도출하여 최적 제어를 위한 기반을 마련하기.
• 개인 사용자 및 네트워크 수준의 활동 조정을 위한 이론적 보장을 갖춘 효율적인 온라인 알고리즘 개발하기.
• 최적 제어의 점프가 있는 SDE와 이중 확률적 시간적 포인트 과정 간의 새로운 연결 고리 설정하기.

제안 방법

• 사용자 행동을 조건부 강도 함수를 갖는 마킹된 시간적 포인트 과정으로 모델링하여 자발적 행동과 유도 행동을 모두 포괄하기.
• 점프가 있는 확률적 미분 방정식을 사용하여 동역학을 표현함으로써 연속 시간 최적 제어 설정 가능하게 하기.
• 비용-도달 함수를 재구성하여 확률적 강도 과정을 상태 변수로 포함시켜 이중 확률적 동역학을 반영하기.
• 점프가 있는 SDE 하에서 해밀턴-자코비-벨만 방정식을 풀어 선형 피드백 정책으로 이어지는 최적 제어 법칙 유도하기.
• 개인 사용자를 위한 RedQueen 설계: 피드 위치와 팔로워 가시성에 기반한 게시 타이밍 최적화하기.
• 네트워크 수준 조정을 위한 Cheshire 설계: 리카티 방정식과 일阶 미분 방정식을 사용하여 영향력 있는 사용자에 대한 최적 인센티브 수준 결정하기.

실험 결과

연구 질문

• RQ1 어떻게 하면 붐비는 소셜 피드에서 가시성과 참여도를 극대화하기 위해 개인 사용자의 게시 타이밍을 최적화할 수 있는가?
• RQ2 소수의 영향력 있는 사용자를 어떻게 인센티브하여 전체 네트워크 활동을 확산시킬 수 있는가?
• RQ3 제어 목적을 위해 사회적 활동의 동역학을 이중 확률적 점프 과정으로 어떻게 모델링할 수 있는가?
• RQ4 확률적 강도 상태를 갖는 점프가 있는 SDE에 대한 최적 제어 정책의 구조는 어떠한가?
• RQ5 확률적 제어 이론에 기반하여 증명 가능성이 있는 최적의 효율적 온라인 알고리즘을 사회적 활동 조정을 위해 도출할 수 있는가?

주요 결과

• 개인 사용자의 최적 게시 강도는 최근 게시물이 팔로워 피드에서 차지하는 위치에 대해 선형적으로 의존하며, 조정 가능한 파rameter에 의해 결정된다.
• 영향력 있는 사용자에 대한 최적 인센티브 수준은 현재 전체 네트워크 활동 수준에 대해 선형적으로 의존하여 확장 가능하고 적응 가능한 제어를 보장한다.
• 최적 제어 문제의 비용-도달 함수는 이차형이므로 정책 전개에서 고차항이 사라지며, 이로 인해 해를 단순화할 수 있다.
• RedQueen과 Cheshire는 계산적으로 효율적이며, 몇 줄의 코드만으로도 구현 가능하고 실시간으로 작동할 수 있다.
• 합성 데이터 및 실제 트위터 데이터에 대한 실험 결과, 두 알고리즘 모두 사회적 활동 증가 측면에서 최신 기법들을 일관되게 능가한다.
• 이 프레임워크는 점프가 있는 SDE의 최적 제어와 이중 확률적 마킹된 포인트 과정 간의 새로운 이론적 연결 고리를 설정하였으며, 소셜 네트워크를 초월한 광범위한 응용 가능성을 지닌다.