[论文解读] An Efficient Randomized Algorithm for Rumor Blocking in Online Social Networks

Guangmo Tong, Weili Wu+5 more|arXiv (Cornell University)|Jan 9, 2017

Complex Network Analysis Techniques参考文献 16被引用 5

一句话总结

本文提出了一种新颖的随机化算法 RBR（基于反向元组的随机化），用于在在线社交网络中高效阻断谣言。通过利用反向采样和基于 R-元组的估计方法，该算法在 O(k·m·ln n / δ²) 时间内实现了 (1−1/e−δ)-近似，显著优于基于蒙特卡洛的方法在速度上的表现，同时保持了强大的性能理论保证。

ABSTRACT

Social networks allow rapid spread of ideas and innovations while the negative information can also propagate widely. When the cascades with different opinions reaching the same user, the cascade arriving first is the most likely to be taken by the user. Therefore, once misinformation or rumor is detected, a natural containment method is to introduce a positive cascade competing against the rumor. Given a budget $k$, the rumor blocking problem asks for $k$ seed users to trigger the spread of the positive cascade such that the number of the users who are not influenced by rumor can be maximized. The prior works have shown that the rumor blocking problem can be approximated within a factor of $(1-1/e-δ)$ by a classic greedy algorithm combined with Monte Carlo simulation with the running time of $O(\frac{k^3mn\ln n}{δ^2})$, where $n$ and $m$ are the number of users and edges, respectively. Unfortunately, the Monte-Carlo-simulation-based methods are extremely time consuming and the existing algorithms either trade performance guarantees for practical efficiency or vice versa. In this paper, we present a randomized algorithm which runs in $O(\frac{km\ln n}{δ^2})$ expected time and provides a $(1-1/e-δ)$-approximation with a high probability. The experimentally results on both the real-world and synthetic social networks have shown that the proposed randomized rumor blocking algorithm is much more efficient than the state-of-the-art method and it is able to find the seed nodes which are effective in limiting the spread of rumor.

研究动机与目标

• 解决现有谣言阻断算法在依赖蒙特卡洛模拟进行影响度估计时计算效率低下的问题。
• 开发一种可扩展且理论保证高效的算法，对谣言阻断问题保持强 (1−1/e−δ)-近似比。
• 用更高效的基于 R-元组的反向采样技术替代计算成本高昂的蒙特卡洛模拟。
• 证明所提出方法在真实和合成网络中实现更优运行时间的同时，不牺牲性能保证。

提出的方法

• RBR 算法使用反向元组（R-元组）采样来估计种子集合的期望影响度，替代传统的蒙特卡洛模拟。
• 采用两阶段方法：首先利用 R-元组估计最优影响度，以识别有前景的种子集合。
• 算法应用切尔诺夫不等式来限制估计误差，并确保高概率下的近似保证。
• 根据估计的影响度动态调整采样深度，提升大规模网络中的效率。
• 该方法利用影响函数的子模性，并通过所有 k 元子集上的并集界确保正确性。
• 理论分析证明，该算法在 O(k·m·ln n / δ²) 时间内运行，并以高概率返回 (1−1/e−δ)-近似解。

实验结果

研究问题

• RQ1 能否设计一种随机化采样方法，使其在谣言阻断中估计影响度的效率高于蒙特卡洛模拟？
• RQ2 是否可能在显著降低运行时间的前提下，实现对谣言阻断的 (1−1/e−δ)-近似？
• RQ3 反向采样技术能否被适配到社交网络中的竞争级联模型，以实现谣言遏制？
• RQ4 基于 R-元组的采样方法与蒙特卡洛模拟相比，在准确性和效率方面表现如何？
• RQ5 所提出算法的理论时间复杂度是多少？其在网络规模增大时是否具备良好的可扩展性？

主要发现

• RBR 算法以高概率实现了谣言阻断问题的 (1−1/e−δ)-近似比。
• 该算法运行时间为 O(k·m·ln n / δ²)，显著快于基于蒙特卡洛的贪心算法的 Ω(k·m·n·poly(δ⁻¹)) 复杂度。
• 在真实网络和合成网络上的实验表明，RBR 在运行时间上优于现有方法，同时保持了强大的性能保证。
• 反向元组采样方法在影响度估计方面比标准蒙特卡洛模拟更准确且更高效。
• 理论分析确认，算法的误差概率是受控的，并随采样次数增加而减小，从而确保了可靠性。
• 该方法在网络规模增大时表现出良好的可扩展性，适用于先前方法过于缓慢的大规模社交网络。