[论文解读] Boosting Nodes for Improving the Spread of Influence

Konstantinos Liontis, Evaggelia Pitoura|arXiv (Cornell University)|Sep 12, 2016

Complex Network Analysis Techniques参考文献 11被引用 4

一句话总结

本文提出了增强集选择（Boost Set Selection）问题，旨在从固定种子集出发，通过识别并增强少数关键节点，以最大化影响传播范围。该研究提出了一系列高效算法，如MoBoo和TMoBoo，利用最可能传播路径来近似最优增强节点集合，其运行速度比贪心算法快多个数量级，同时实现相近的影响传播增益——在许多情况下甚至超过增加更多种子节点的效果。

ABSTRACT

Information diffusion in networks has received a lot of recent attention. Most previous work addresses the influence maximization problem of selecting an appropriate set of seed nodes to initiate the diffusion process so that the largest number of nodes is reached. Since the seed selection problem is NP hard, most solutions are sub-optimal. Furthermore, there may be settings in which the seed nodes are predetermined. Thus, a natural question that arise is: given a set of seed nodes, can we select a small set of nodes such that if we improve their reaction to the diffusion process, the largest increase in diffusion spread is achieved? We call this problem, the boost set selection problem. In this paper, we formalize this problem, study its complexity and propose appropriate algorithms. We also evaluate the effect of boosting in a number of real networks and report the increase of influence spread achieved for different seed sets, time limits in the diffusion process and other diffusion parameters.

研究动机与目标

• 解决种子节点已预先确定或非最优时，最大化影响传播范围的挑战。
• 形式化增强集选择问题：选择k个节点进行增强（例如，提高其传播速度或增加其影响概率），以实现最大的扩散增益。
• 研究该问题的计算复杂度，证明其为NP难问题且非子模性。
• 设计比贪心方法更具可扩展性的高效近似算法。
• 在时间、预算和种子质量等不同参数条件下，评估增强策略在真实网络中的影响。

提出的方法

• 将增强建模为提高节点的影响概率或减少其激活延迟，并在时延感知独立 cascade（LAIC）框架内进行形式化。
• 提出最可能路径算法（MoBoo），通过追踪最可能的影响传播路径来识别高影响节点，且不考虑延迟因素。
• 引入TMoBoo，作为MoBoo的时间依赖型扩展，通过引入节点特定延迟来提高路径估计的准确性。
• 设计MIIP算法，考虑除单一最可能路径外的多条独立影响路径。
• 开发基于邻近度的算法，优先将靠近种子节点的节点作为潜在增强候选。
• 通过真实数据集的仿真评估，比较不同算法在不同参数下的性能表现与影响传播范围。

实验结果

研究问题

• RQ1 当种子节点固定或非最优时，仅增强少数节点是否能显著提升影响传播范围？
• RQ2 增强集选择问题在计算上是否可行？其复杂度类别为何？
• RQ3 通过增强获得的影响传播增益是否超过增加更多种子节点所带来的增益？
• RQ4 时间约束、预算分配和节点激活概率如何影响增强策略的有效性？
• RQ5 高效的近似算法是否能在速度和影响传播范围两方面均优于贪心基线？

主要发现

• 仅增强少数节点，其影响传播增益常超过增加多个新种子节点的效果，尤其当增强节点数量接近种子数量时更为显著。
• TMoBoo算法在影响传播范围上可达到与贪心基线相近的效果，但运行速度比其快多个数量级。
• 尽管效率显著更高，MoBoo和TMoBoo返回的增强集合仍能实现与贪心算法相近的影响增益。
• 增强预算（b）的提升与影响传播范围成比例增长，表明用户响应能力与种子选择同等关键。
• 即使在低活跃度网络中（如激活概率较小），仅增强少数节点也能实现与高活跃度网络中未增强情况下的相同传播范围。
• 在第一时段（1st-tu）提高节点的影响概率的策略，能带来最高影响传播增益，尤其在高预算水平下更为明显。