[論文レビュー] Towards Profit Maximization for Online Social Network Providers

Jing Tang, Xueyan Tang+1 more|arXiv (Cornell University)|Dec 24, 2017

Complex Network Analysis Techniques参考文献 11被引用数 6

ひとこと要約

本稿では、影響力拡散収益とプロパゲーションコストのバランスを取ることで、オンラインソーシャルネットワーク（OSN）プロバイダーの利益を最大化する二段階フレームワークを提案する。反復的プリーニングを用いて探索空間を縮小し、その縮小された集合内でヒューリスティクスを適用することで、Google+ や LiveJournal などの実際の OSN データセット上で、最大 98.7% の高い近似保証を得ている。

ABSTRACT

Online Social Networks (OSNs) attract billions of users to share information and communicate where viral marketing has emerged as a new way to promote the sales of products. An OSN provider is often hired by an advertiser to conduct viral marketing campaigns. The OSN provider generates revenue from the commission paid by the advertiser which is determined by the spread of its product information. Meanwhile, to propagate influence, the activities performed by users such as viewing video ads normally induce diffusion cost to the OSN provider. In this paper, we aim to find a seed set to optimize a new profit metric that combines the benefit of influence spread with the cost of influence propagation for the OSN provider. Under many diffusion models, our profit metric is the difference between two submodular functions which is challenging to optimize as it is neither submodular nor monotone. We design a general two-phase framework to select seeds for profit maximization and develop several bounds to measure the quality of the seed set constructed. Experimental results with real OSN datasets show that our approach can achieve high approximation guarantees and significantly outperform the baseline algorithms, including state-of-the-art influence maximization algorithms.

研究の動機と目的

• 影響力拡散による収益とユーザー参加によるコストに依存する、OSNプロバイダーにおけるバイラルマーケティングにおける利益最大化の課題に対処すること。
• 利益指標を、影響力拡散による利益とプロパゲーションによるコストという二つのサブモジュラ関数の差分としてモデル化することで、非サブモジュラかつ非単調な問題にすること。
• 探索空間を縮小し、ヒューリスティクスを適用して高利益のシードセットを特定する、効率的かつ効果的な二段階フレームワークを設計すること。
• 任意のアルゴリズムが生成するシードセットの品質を評価するための理論的境界を確立すること。
• 実世界のOSNデータセット上で、フレームワークの有効性と効率性を実証的に検証し、高い近似保証と顕著な高速化を示すこと。

提案手法

• 二段階フレームワークを提案する：(1) 影響力とコストの推定に基づき、低潜在力ノードを反復的に削除するプリーニング段階、(2) 縮小された集合内でヒューリスティクスアルゴリズムを適用する探索段階。
• 影響力とコスト推定の精度を向上させるための正規化技術を導入し、サンプリング誤差を低減し、プリーニングの効果を高める。
• 逆到達可能（RR）集合を用いて最大達成可能利益の上界を導出し、信頼区間とサンプリング技術を用いてより鋭い境界を導出する。
• μ₃(X) と μ₄(X) の二つの境界のうち、より鋭い方を用いて、高い信頼度（δ = 10⁻⁶）で解の品質を評価する。
• RR集合のサンプリングを活用して、影響力拡散とプロパゲーションコストを効率的に推定することで、大規模ネットワークへのスケーラビリティを実現する。
• 理論的結果（例：定理2、推論1）を活用し、プリーニングが探索段階で使用される任意のヒューリスティクスの解の品質と実行時間効率の両方を向上させることを証明する。

実験結果

リサーチクエスチョン

• RQ1 影響力拡散が収益を生む一方で、ユーザーの相互作用がプロパゲーションコストを生じる状況において、OSNプロバイダーはどのように利益を最大化できるか？
• RQ2 影響力獲得とプロパゲーションコストを組み合わせた利益指標を最適化するための、効果的かつスケーラブルなシードユーザー選定手法は何か？
• RQ3 非サブモジュラかつ非単調な利益最適化において、探索空間をどのように効果的にプリーニングすることで、シード選定の効率性と品質を向上させられるか？
• RQ4 この複雑な利益最大化設定において、シードセットの近似品質を測るための理論的境界はどのように導出できるか？
• RQ5 正規化は影響力とコスト推定の正確性をどの程度向上させ、最終的な利益と実行時間にどのような影響を与えるか？

主な発見

• 正規化を適用した場合、Google+ では探索空間が 98.3%、LiveJournal では 83.7% 減少し、大幅な効率向上が達成された。
• 2¹⁰ × 10,000 個のRR集合を用いたGreedyアルゴリズムは、Google+ データセットで 98.7% の近似保証を達成し、LiveJournal では 72.9% を達成した。これは鋭い上界を示している。
• プリーニングなしではLiveJournalでGreedyアルゴリズムが負の利益を生じたが、プリーニングにより最大 24.1% の利益向上が達成され、解の品質における重要性が明確になった。
• プリーニング技術により、すべてのヒューリスティクスアルゴリズムの実行速度が最大 3 時間のオーダーで向上し、効率性の向上が確認された。
• 正規化は探索空間の削減量と最終的利益の両方を向上させ、Greedyアルゴリズムにおいても正規化を適用した場合に高い利益が得られた。
• ModMod-1 と ModMod-2 ヒューリスティクスは、それぞれ LiveJournal で 75.8% と 74.3% の近似保証を達成し、上界に対して強く優れた性能を示した。