[论文解读] Adaptive Influence Maximization in Social Networks: Why Commit when You can Adapt?

Sharan Vaswani, Laks V. S. Lakshmanan|arXiv (Cornell University)|Apr 27, 2016

Advanced Bandit Algorithms Research参考文献 11被引用 9

一句话总结

本文提出了一种在社交网络中自适应的影响最大化策略，其中种子选择基于先前种子激活的实时反馈进行更新，与传统非自适应方法（即一次性确定所有种子）形成对比。主要贡献在于证明了自适应策略可显著减少实现目标影响范围（MinTss）所需的种子数量，而在最大化影响范围（MaxSpread）方面仅带来适度提升，尤其在时间受限的场景下更为明显。

ABSTRACT

Most previous work on influence maximization in social networks is limited to the non-adaptive setting in which the marketer is supposed to select all of the seed users, to give free samples or discounts to, up front. A disadvantage of this setting is that the marketer is forced to select all the seeds based solely on a diffusion model. If some of the selected seeds do not perform well, there is no opportunity to course-correct. A more practical setting is the adaptive setting in which the marketer initially selects a batch of users and observes how well seeding those users leads to a diffusion of product adoptions. Based on this market feedback, she formulates a policy for choosing the remaining seeds. In this paper, we study adaptive offline strategies for two problems: (a) MAXSPREAD -- given a budget on number of seeds and a time horizon, maximize the spread of influence and (b) MINTSS -- given a time horizon and an expected number of target users to be influenced, minimize the number of seeds that will be required. In particular, we present theoretical bounds and empirical results for an adaptive strategy and quantify its practical benefit over the non-adaptive strategy. We evaluate adaptive and non-adaptive policies on three real data sets. We conclude that while benefit of going adaptive for the MAXSPREAD problem is modest, adaptive policies lead to significant savings for the MINTSS problem.

研究动机与目标

• 为解决非自适应影响最大化方法的局限性，即所有种子必须在无反馈的情况下一次性选定，导致实际应用中性能次优。
• 研究两种核心问题的自适应策略：MaxSpread（在种子预算和时间范围下最大化影响范围）和 MinTss（最小化达到目标影响范围所需的种子数量）。
• 量化自适应在现实社交网络中的实际效益，尤其是在反馈有限的时间受限场景下。
• 开发并评估可扩展的优化技术——特别是 SMAC（基于序列模型的优化）——以学习高效的自适应种子选择策略。
• 在真实数据集上对自适应与非自适应策略进行实证比较，评估指标包括影响范围、种子数量和运行时间。

提出的方法

• 提出一种自适应框架，营销人员分批选择种子，观察实际扩散结果，并根据实时反馈更新后续种子选择决策。
• 引入两个问题：MaxSpread（在预算和时间范围内最大化影响范围）和 MinTss（最小化达到目标影响范围所需的种子数量），均考虑时间范围有界与无界两种情形。
• 采用贪心自适应策略，根据边际收益分批选择种子，批次大小和干预间隔时间作为可调参数。
• 在有界时间范围场景下，使用 SMAC（基于序列模型的优化）搜索最优自适应策略，将策略配置（批次大小、干预间隔时间）视为超参数。
• 在三个真实社交网络（Flixster、NetHEPT、Epinions）上通过蒙特卡洛模拟（500 种可能的网络状态，即真实世界）评估策略性能，以估计期望表现。
• 应用子模函数的理论界来证明贪心自适应策略的性能，表明在特定条件下，自适应具有可证明的优势。

实验结果

研究问题

• RQ1 在现实社交网络中，与非自适应策略相比，种子选择的自适应性在多大程度上提升了影响范围？
• RQ2 在有界时间范围下，批次大小和干预间隔时间对自适应影响最大化性能有何影响？
• RQ3 与非自适应方法相比，自适应性在多大程度上减少了实现目标影响范围（MinTss）所需的种子数量？
• RQ4 在时间约束下，基于 SMAC 的优化在发现高性能自适应种子选择策略方面有多有效？
• RQ5 自适应性的优势在 MaxSpread 和 MinTss 问题之间是否存在显著差异？若存在，原因是什么？

主要发现

• 在 MinTss 问题中，与非自适应策略相比，自适应策略将达到目标影响范围所需的种子数量减少了最多 30–50%，尤其在时间受限场景下表现更优。
• 在有界时间范围设置下（例如 T=10），SMAC 发现的策略在 Flixster 上仅需 171.11 个种子（而非自适应的 200 个）即可达到目标影响范围的 80%，仅差 10.54 个节点。
• 在 MaxSpread 问题中，自适应性的优势较为有限：自适应策略虽能达到较高的影响范围，但因子模性导致的边际收益递减，其性能并未显著优于非自适应策略。
• 即使在极短时间范围（T=10）下，自适应策略也能实现接近最优的性能，且随着 T 增加，使用的种子数量从非自适应的 200 降低至 177.33。
• 由于反馈周期更少，自适应分批贪心策略的运行时间显著降低，Flixster 数据集显示，随着批次大小增加，计算时间明显减少。
• 当 T 超过网络直径（D）时，自适应策略可采用更大的干预间隔时间（例如 T=1000 时为 12），表明其能有效利用反馈，而不会因过度频繁地选择种子而造成资源浪费。