[论文解读] Diffusion Independent Semi-Bandit Influence Maximization.

Sharan Vaswani, Branislav Kveton+4 more|arXiv (Cornell University)|Mar 1, 2017

Advanced Bandit Algorithms Research被引用 11

一句话总结

该论文提出了一种模型无关、统计高效的框架，用于在社交网络中实现影响力最大化，采用与扩散过程无关的代理目标函数和成对影响力半-臂带反馈模型。该框架引入了一种基于LinUCB的臂带算法，其遗憾度对网络规模的依赖性得到改善，在多种扩散模型下均表现出鲁棒性和接近最优的性能。

ABSTRACT

We consider influence maximization (IM) in social networks, which is the problem of maximizing the number of users that become aware of a product by selecting a set of seed users to expose the product to. While prior work assumes a known model of information diffusion, we propose a novel parametrization that not only makes our framework agnostic to the underlying diffusion model, but also statistically efficient to learn from data. We give a corresponding monotone, submodular surrogate function, and show that it is a good approximation to the original IM objective. We also consider the case of a new marketer looking to exploit an existing social network, while simultaneously learning the factors governing information propagation. For this, we propose a pairwise-influence semi-bandit feedback model and develop a LinUCB-based bandit algorithm. Our model-independent analysis shows that our regret bound has a better (as compared to previous work) dependence on the size of the network. Experimental evaluation suggests that our framework is robust to the underlying diffusion model and can efficiently learn a near-optimal solution.

研究动机与目标

• 解决现有影响力最大化方法依赖于已知、固定扩散模型的局限性。
• 开发一种对底层信息扩散过程无感的框架，同时保持从数据中学习的统计高效性。
• 使新营销人员能够同时学习传播动态并优化现有社交网络中的种子选择。
• 设计一种反馈机制——成对影响力半-臂带——以捕捉相关传播信号，而无需完整观测影响力级联过程。
• 实现比先前工作更优的遗憾边界对网络规模的依赖性，提升可扩展性和实用性。

提出的方法

• 提出一种单调、子模的代理函数，近似原始影响力最大化目标函数，且不假设特定的扩散模型。
• 引入一种成对影响力半-臂带反馈模型，通过观测节点对之间的影响力结果，实现在部分反馈下的高效学习。
• 开发一种基于LinUCB的臂带算法，利用线性上下文臂带方法从成对反馈中学习影响力参数。
• 设计代理目标函数，使其既易于计算，又能良好近似真实IM目标函数，从而确保性能的理论保证。
• 采用模型无关的分析方法，推导出随网络规模有利增长的遗憾边界，优于先前工作。
• 利用统计高效性降低样本复杂度，实现更快收敛至近似最优的种子集合。

实验结果

研究问题

• RQ1 能否设计一种半-臂带框架，在不假设已知扩散模型的前提下，学习社交网络中的影响力传播动态？
• RQ2 如何构建一种代理目标函数，使其在模型无关的前提下保持单调性和子模性，同时良好近似真实影响力最大化目标？
• RQ3 在成对影响力半-臂带反馈模型下，基于LinUCB的算法的遗憾性能如何？其随网络规模的扩展特性如何？
• RQ4 该方法对底层扩散过程的变化（如独立级联模型或线性阈值模型）有多大的鲁棒性？
• RQ5 该框架能否使新营销人员在几乎无先验知识的情况下，同时学习并优化现有网络中的影响力传播？

主要发现

• 所提出的代理函数对原始影响力最大化目标函数提供了强有力的近似，同时保持了单调性和子模性，从而实现高效的优化。
• 基于LinUCB的臂带算法实现了比先前工作更优的遗憾边界对网络规模的依赖性，显著提升了可扩展性。
• 该框架在多种扩散模型（包括独立级联和线性阈值模型）下均表现出鲁棒性能，表明其在模型无关性方面的有效性。
• 实验评估表明，即使在真实扩散模型未知的情况下，该方法仍能高效学习接近最优的种子集合，且具有很高的统计效率。
• 成对影响力半-臂带反馈模型在比完整级联反馈更低的观测开销下实现了有效的学习，提升了实际部署的可行性。
• 该方法在保持遗憾的理论保证的同时实现了强劲的实验性能，验证了其在现实世界影响力最大化任务中的实际相关性。