[論文レビュー] Tell me something my friends do not know: Diversity maximization in social networks

Antonis Matakos, Aristides Gionis|arXiv (Cornell University)|Nov 26, 2018

Spam and Phishing Detection参考文献 30被引用数 15

ひとこと要約

本稿では、戦略的なコンテンツ推薦を通じてコンテンツ多様性を最大化することによって、ソーシャルネットワークにおけるフィルターバブルを解消する新しい手法を提案する。問題を二次的ナップサックに類似した多様性最大化問題として定式化し、近似がNP困難であることを証明した。また、スケーラブルなグリーディ法と緩和法に基づくアルゴリズムを評価し、ランダム化された局所探索を組み合わせたグリーディヒューリスティクスが、実世界のネットワークにおいて品質と効率の最良のトレードオフを達成していることが判明した。

ABSTRACT

Social media have a great potential to improve information dissemination in our society, yet, they have been held accountable for a number of undesirable effects, such as polarization and filter bubbles. It is thus important to understand these negative phenomena and develop methods to combat them. In this paper we propose a novel approach to address the problem of breaking filter bubbles in social media. We do so by aiming to maximize the diversity of the information exposed to connected social-media users. We formulate the problem of maximizing the diversity of exposure as a quadratic-knapsack problem. We show that the proposed diversity-maximization problem is inapproximable, and thus, we resort to polynomial non-approximable algorithms, inspired by solutions developed for the quadratic-knapsack problem, as well as scalable greedy heuristics. We complement our algorithms with instance-specific upper bounds, which are used to provide empirical approximation guarantees for the given problem instances. Our experimental evaluation shows that a proposed greedy algorithm followed by randomized local search is the algorithm of choice given its quality-vs.-efficiency trade-off.

研究の動機と目的

• ソーシャルメディアにおけるフィルターバブルやエコーチェンバー問題に取り組み、接続されたユーザー間での情報露出の多様性を高めること。
• 多様性最大化問題を、影響力、露出類似度、推薦受容率を捉える二次的ナップサックに類似した最適化タスクとして定式化すること。
• 実世界のソーシャルネットワークにおける実用的アルゴリズムを開発し、解の品質と計算効率のバランスを取ること。
• 提案されたアルゴリズムの近似品質を実験的に評価するためのインスタンス固有の上界を提供すること。
• 半定値計画法（SDP）を用いた連続緩和による問題の理論的拡張を検討すること。

提案手法

• エッジを介したペアワイズの露出類似度の関数としてネットワークの多様性を定式化し、接続されたユーザー間の平均類似度を最小化することを目的とする。
• 重み付きエッジとユーザー固有の確率を用いて、ユーザーの影響力と推薦受容率をモデル化し、最適化に社会的影響力と受容性を埋め込む。
• エコーチェンバーのサイズと中心性が大きいユーザーを選択するグリーディアルゴリズムを提案し、平均類似度を最も大きく低下させる露出変化を示すユーザーを優先順位付けする。
• グリーディ解を改善するためのランダム化局所探索を実装し、スケーラビリティを損なわずに品質を向上させる。
• 連続版の問題に対してSDP緩和を適用するが、実際の性能は芳しくない。
• 混合整数プログラミングとSDP緩和を用いてインスタンス固有の上界を導出し、近似品質の実験的評価を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ソーシャルネットワーク全体で情報露出の多様性を効果的に最大化することは可能か？
• RQ2 影響力、露出類似度、推薦受容率の複雑な相互作用を、整合的な方法でモデル化できるか？
• RQ3 多様性最大化アルゴリズムにおいて、解の品質と計算効率のトレードオフはどのようなものか？
• RQ4 多様性最大化問題の連続緩和は、実用的な性能で解けるか？
• RQ5 実世界のソーシャルネットワークにおいて、品質とスケーラビリティのバランスが最も優れたアルゴリズム的手法は何か？

主な発見

• 多様性最大化問題は近似がNP困難であるため、ヒューリスティクスや緩和法に基づく手法の使用が正当化される。
• グリーディアルゴリズムにランダム化局所探索を組み合わせた手法が、すべてのデータセットにおいて解の品質と実行時間の最良のトレードオフを達成している。
• kが小さい値の場合は、S-Greedyアルゴリズムが特に優れた性能を示す。これは、エコーチェンバーが大きく、中心性が高いユーザーを優先するためである。
• IQPおよびSDPベースの手法は小規模なネットワークでは有効だが、スケーラビリティに欠ける。特に、k=nのTwitter100のような大規模インスタンスでは、IQPは2時間以内に終了しない。
• SDP緩和による解は、丸め処理後に品質が著しく低く、緩和解の多様性スコア61.17に対して最終スコアは32.35にとどまり、実用的有用性に制限があることが示された。
• インスタンス固有の上界は、小規模および中規模ネットワークにおいて、近似品質の実験的保証を効果的に提供している。