[论文解读] Coupon Advertising in Online Social Systems: Algorithms and Sampling Techniques

Guangmo Tong, Weili Wu+1 more|arXiv (Cornell University)|Feb 20, 2018

Complex Network Analysis Techniques参考文献 13被引用 9

一句话总结

本文提出了一种基于优惠券的影响模型（T-C模型），用于在在线社交网络中最大化利润，其中种子用户会收到优惠券以促进产品采用。该研究引入了RA-T和RA-S算法，利用反向采样高效近似非单调子模利润最大化问题，实现了在大规模真实网络上的高可扩展性和优异性能。

ABSTRACT

Online social systems have become important platforms for viral marketing where the advertising of products is carried out with the communication of users. After adopting the product, the seed buyers may spread the information to their friends via online messages e.g. posts and tweets. In another issue, electronic coupon system is one of the relevant promotion vehicles that help manufacturers and retailers attract more potential customers. By offering coupons to seed buyers, there is a chance to convince the influential users who are, however, at first not very interested in the product. In this paper, we propose a coupon based online influence model and consider the problem that how to maximize the profit by selecting appropriate seed buyers. The considered problem herein is markedly different from other influence related problems as its objective function is not monotone. We provide an algorithmic analysis and give several algorithms designed with different sampling techniques. In particular, we propose the RA-T and RA-S algorithms which are not only provably effective but also scalable on large datasets. The proposed theoretical results are evaluated by extensive experiments done on large-scale real-world social networks. The analysis of this paper also provides an algorithmic framework for non-monotone submodular maximization problems in social networks.

研究动机与目标

• 为弥补影响最大化研究中仅关注纯意识传播而忽略优惠券激励对产品采用和利润影响的空白，提出一种结合优惠券激励的影响最大化方法。
• 建模社交网络中的利润最大化问题，由于优惠券成本的存在，目标函数为非单调子模函数。
• 设计高效的近似算法，通过采样技术处理利润计算的#P难问题，避免精确计算。
• 在大规模真实社交网络上评估所提算法，并与MaxInf和CELF等现有方法进行比较。
• 为社交网络应用中的无约束非单调子模最大化问题提供一个通用的算法框架。

提出的方法

• 提出触发-优惠券（T-C）模型，将优惠券激励整合到经典触发模型中，以反映价格和社交影响对产品采用的影响。
• 由于优惠券成本与采用收益之间的权衡，将利润最大化（PM）问题重新表述为无约束的非单调子模最大化问题。
• 基于反向采样（RA集合）提出RA-T和RA-S算法，以高效估计目标函数，避免昂贵的完整蒙特卡洛模拟。
• 采用前向采样框架，通过重复采样反向可达（RA）集合来估计函数值，其中RA-T使用基于阈值的停止准则。
• 适配Buchbinder的无约束子模最大化算法，并在基于采样的Oracle框架中应用，以保持近似保证。
• 采用混合方法，预先生成RA集合并重复使用，以估计不同种子集合下的利润，从而在效率上优于直接模拟。

实验结果

研究问题

• RQ1 如何在社交影响扩散过程中建模优惠券激励，以反映现实世界中价格对产品采用的影响？
• RQ2 为何在此情境下利润最大化问题为非单调？这如何影响标准贪心算法的适用性？
• RQ3 反向采样技术能否有效适应于大规模网络中非单调子模利润函数的估计？
• RQ4 在缺乏利润函数精确Oracle的情况下，何种采样策略能在估计精度与计算效率之间取得平衡？
• RQ5 所提出的RA-T和RA-S算法在真实社交网络上与现有影响最大化及基于利润的启发式方法相比，在性能和可扩展性方面表现如何？

主要发现

• RA-T在Youtube和Pokec等大规模网络上实现的利润显著优于MaxInf，即使RA集合数量有限（最多5,000,000个），且在10小时内完成计算。
• RA-S在精度上优于RA-T，但在HepPh网络上速度慢10倍，表明过度生成RA集合导致质量与效率之间的权衡。
• 利润并非随价格单调增加；高价会减少可采用用户集合，导致整体利润下降，尤其在线性阈值（LT）模型下更为明显。
• MaxInf（仅最大化影响而不考虑成本）有时会导致负利润，证明影响最大化不等同于利润最大化。
• 基于前向采样的SPM算法（SPM算法）在HepPh网络上即使使用2,000个种子候选者也无法扩展，而RA-T在Pokec和Youtube等更大图上10小时内完成。
• 所提框架可推广至社交网络中其他非单调子模最大化问题，为优惠券广告之外的应用提供了可扩展的算法基础。