[论文解读] Holistic Influence Maximization: Combining Scalability and Efficiency with Opinion-Aware Models

Sainyam Galhotra, Akhil Arora+1 more|arXiv (Cornell University)|Feb 9, 2016

Complex Network Analysis Techniques参考文献 42被引用 57

一句话总结

本文提出了一种新颖的意见感知影响力最大化框架，将节点意见与互动动态整合到一种新的意见-互动（OI）模型中，实现了对信息传播更真实的建模。该研究提出了最大化有效意见（MEO）问题，并设计了两种可扩展的算法——EaSyIM（意见无关基线）与OSIM（意见感知启发式算法），在保持线性时间与空间复杂度的同时，实现的影响力传播范围仅比最先进方法低5%以内，显著提升了大规模图上的可扩展性与效率。

ABSTRACT

The steady growth of graph data from social networks has resulted in wide-spread research in finding solutions to the influence maximization problem. In this paper, we propose a holistic solution to the influence maximization (IM) problem. (1) We introduce an opinion-cum-interaction (OI) model that closely mirrors the real-world scenarios. Under the OI model, we introduce a novel problem of Maximizing the Effective Opinion (MEO) of influenced users. We prove that the MEO problem is NP-hard and cannot be approximated within a constant ratio unless P=NP. (2) We propose a heuristic algorithm OSIM to efficiently solve the MEO problem. To better explain the OSIM heuristic, we first introduce EaSyIM - the opinion-oblivious version of OSIM, a scalable algorithm capable of running within practical compute times on commodity hardware. In addition to serving as a fundamental building block for OSIM, EaSyIM is capable of addressing the scalability aspect - memory consumption and running time, of the IM problem as well. Empirically, our algorithms are capable of maintaining the deviation in the spread always within 5% of the best known methods in the literature. In addition, our experiments show that both OSIM and EaSyIM are effective, efficient, scalable and significantly enhance the ability to analyze real datasets.

研究动机与目标

• 解决经典影响力最大化模型忽略现实社交网络中节点意见与互动动态的局限性。
• 提出一种新的意见-互动（OI）模型，以捕捉用户之间意见形成与信息感知的真实世界动态。
• 将最大化有效意见（MEO）问题形式化为一种更贴近现实的影响力最大化变体，考虑正向、中性与负向意见。
• 设计可扩展且高效的算法，在大规模图上保持高影响力传播范围的同时，最小化内存与运行时开销。
• 证明意见感知模型能显著提升社交网络中影响力传播的现实性与有效性。

提出的方法

• 提出OI模型，其中每个节点对某内容具有实值意见（o），每条有向边具有互动概率（φ），表示节点采纳其邻居意见的可能性。
• 引入MEO问题，其目标是最大化受影响节点的最终有效意见总和（即传播后其意见值的总和），而非仅激活节点的数量。
• 证明MEO问题在P≠NP的前提下为NP难问题，且无法在常数因子内近似，从而证明启发式解法的必要性。
• 设计EaSyIM作为可扩展的、意见无关的基线算法，运行时间与空间复杂度均为线性，为OSIM提供基础。
• 开发OSIM作为启发式算法，将意见与互动动态整合进影响力传播过程，在保持效率的同时提升传播准确度。
• 采用带记忆化的蒙特卡洛模拟方法，高效估计影响力传播范围，平衡近似质量与计算成本。

实验结果

研究问题

• RQ1 能否通过整合节点意见与互动动态，设计出更贴近现实的影响力最大化模型？
• RQ2 与经典影响力最大化相比，MEO问题（最大化有效意见而非仅激活数量）在复杂度与实用性方面有何不同？
• RQ3 能否设计出可扩展的算法，在大规模图上高效求解MEO问题而不牺牲准确性？
• RQ4 所提出的OSIM算法在影响力传播范围、运行时间与内存使用方面，相较于现有最先进方法表现如何？
• RQ5 意见感知模型在多大程度上提升了现实社交网络中影响力传播的现实性与有效性？

主要发现

• MEO问题被证明为NP难问题，且在P≠NP的前提下无法在任何常数因子内近似，从而证明了采用启发式方法的合理性。
• 所提出的OSIM与EaSyIM算法在影响力传播范围上与文献中最佳方法的偏差控制在5%以内，表现出优异的近似质量。
• EaSyIM实现线性时间与空间复杂度，使其在大规模图上具有极强可扩展性与实用性，优于IRIE与SIMPATH在可扩展性方面的表现。
• OSIM通过引入意见动态，显著提升了影响力传播范围，在有效意见最大化方面优于意见无关方法。
• OI模型能够捕捉现实世界中的动态，如负向意见与基于互动的信息感知，相比经典IC/LT模型提供了更具表现力与真实感的框架。
• 所提算法在运行时间、内存消耗与影响力传播范围之间实现了更优的权衡，具备在大规模真实社交网络中实际部署的可行性。