[论文解读] From Competition to Complementarity: Comparative Influence Diffusion and Maximization

Wei Lu, Wei Chen+1 more|arXiv (Cornell University)|Jul 1, 2015

Complex Network Analysis Techniques参考文献 15被引用 24

一句话总结

本文提出了比较独立级联（Com-IC）模型，这是一种新颖的扩散框架，通过整合边级传播与基于全局采纳概率（GAPs）的节点级自动机，捕捉从纯粹竞争到互补性的完整影响动态谱系。作者为两个新问题——自影响最大化与互补影响最大化——提出了高效的近似算法，在非次模设置下仍表现出强大的经验性能和稳健的近似因子。

ABSTRACT

Influence maximization is a well-studied problem that asks for a small set of influential users from a social network, such that by targeting them as early adopters, the expected total adoption through influence cascades over the network is maximized. However, almost all prior work focuses on cascades of a single propagating entity or purely-competitive entities. In this work, we propose the Comparative Independent Cascade (Com-IC) model that covers the full spectrum of entity interactions from competition to complementarity. In Com-IC, users' adoption decisions depend not only on edge-level information propagation, but also on a node-level automaton whose behavior is governed by a set of model parameters, enabling our model to capture not only competition, but also complementarity, to any possible degree. We study two natural optimization problems, Self Influence Maximization and Complementary Influence Maximization, in a novel setting with complementary entities. Both problems are NP-hard, and we devise efficient and effective approximation algorithms via non-trivial techniques based on reverse-reachable sets and a novel "sandwich approximation". The applicability of both techniques extends beyond our model and problems. Our experiments show that the proposed algorithms consistently outperform intuitive baselines in four real-world social networks, often by a significant margin. In addition, we learn model parameters from real user action logs.

研究动机与目标

• 解决现有影响最大化模型的局限性，即假设传播项目之间仅存在单一实体或纯粹竞争关系。
• 通过统一框架，对产品可为替代品、互补品或介于两者之间的谱系关系等现实社交动态进行建模。
• 在Com-IC模型下，制定并求解两个新优化问题——自影响最大化与互补影响最大化。
• 为非次模影响最大化问题开发高效的近似算法，特别是在存在互补性的情况下。
• 使用真实社交网络数据与学习到的GAP参数，对模型与算法进行验证。

提出的方法

• 提出比较独立级联（Com-IC）模型，结合边级信息传播与节点级自动机（NLA），以基于多个项目建模用户采纳决策。
• 将全局采纳概率（GAPs）定义为控制NLA状态转移的模型参数，从而实现对项目间竞争或互补程度的调控。
• 将反向可达（RR）集合技术扩展至Com-IC模型，以支持高效的影响估计与种子选择。
• 提出一种新颖的“夹逼近似”策略，利用影响函数的上下界，实现在函数非次模情况下的数据相关近似保证。
• 通过利用RR集合框架与夹逼近似，设计出高效求解自影响最大化与互补影响最大化的算法。
• 从真实用户行为日志中学习GAP参数，以确保模型能真实反映现实网络中的用户行为。

实验结果

研究问题

• RQ1 统一的影响扩散模型能否捕捉两个传播项目之间从纯粹竞争到互补性的完整交互谱系？
• RQ2 当影响动态涉及互补性而非仅竞争时，如何制定并求解影响最大化问题？
• RQ3 哪些近似技术能有效处理互补设置下影响函数的非次模性质？
• RQ4 所提出的算法对模型参数变化的鲁棒性如何，特别是在真实GAP未知的情况下？
• RQ5 在对抗性参数设置下，夹逼近似策略能否实现强大的近似因子？

主要发现

• 所提出的Com-IC模型通过可调的全局采纳概率（GAPs），成功捕捉了从纯粹竞争到互补性的完整影响交互谱系。
• 夹逼近似策略在所有测试数据集与对抗性参数设置下，最大相对误差仅为0.4%，展现出高度的鲁棒性与有效性。
• 在四个真实社交网络中，所提算法始终显著优于直观基线方法，尤其在使用从真实行为日志中学习到的GAP参数时表现突出。
• 在使用学习到的GAP参数时，种子集所实现的影响扩散范围与最优扩散范围之比极为接近1，验证了模型在真实场景中的准确性。
• 即使在对抗性参数设置下（如高互补性或GAPs极端不平衡），算法仍保持强劲性能，近似误差低于0.5%。
• 反向可达集合技术被成功扩展至Com-IC模型，实现了高效的影响估计与可扩展的种子选择。