[论文解读] How Do We Find Early Adopters Who Will Guide a Resource Constrained Network Towards a Desired Distribution of Behaviors?

Kaushik Sarkar, Hari Sundaram|arXiv (Cornell University)|Mar 24, 2013

Child Development and Digital Technology参考文献 11被引用 9

一句话总结

本文提出了一种新颖的模型，用于在资源受限的社会网络中实现多种高成本行为的扩散，其中个体根据效用、社会信号和可利用资源来采纳行为。该模型提出了启发式方法，用于选择具有影响力的早期采纳者，并在他们之间分配行为，以实现目标分布，结果显示其资源利用率比简单方法高出15–51%。

ABSTRACT

We identify influential early adopters that achieve a target behavior distribution for a resource constrained social network with multiple costly behaviors. This problem is important for applications ranging from collective behavior change to corporate viral marketing campaigns. In this paper, we propose a model of diffusion of multiple behaviors when individual participants have resource constraints. Individuals adopt the set of behaviors that maximize their utility subject to available resources. We show that the problem of influence maximization for multiple behaviors is NP-complete. Thus we propose heuristics, which are based on node degree and expected immediate adoption, to select early adopters. We evaluate the effectiveness under three metrics: unique number of participants, total number of active behaviors and network resource utilization. We also propose heuristics to distribute the behaviors amongst the early adopters to achieve a target distribution in the population. We test our approach on synthetic and real-world topologies with excellent results. Our heuristics produce 15-51\% increase in resource utilization over the naïve approach.

研究动机与目标

• 通过建模个体在面临资源约束的网络中高成本行为的传播方式，解决可持续发展与公共卫生中的集体行动问题。
• 构建一个考虑个体资源限制、内在效用和社会影响的多行为扩散模型。
• 识别能够最大化预期资源利用率的有影响力的早期采纳者。
• 设计启发式方法，将行为在种子之间分配，以实现网络中最终行为分布的期望目标。
• 在合成网络和现实世界网络拓扑结构上评估这些启发式方法的有效性。

提出的方法

• 形式化定义了一种行为扩散模型，其中个体在资源约束下选择最大化效用的行为，同时考虑社会信号和内在效用。
• 将行为采纳建模为效用最大化问题，其中每种行为具有固定成本和独立于个体的效用。
• 提出基于节点度数和预期即时采纳的种子选择启发式方法，并引入一种爬山变体（H7）以提升性能。
• 提出一种种子行为分配启发式方法，通过使初始分配与目标分布成比例，以最小化平衡状态下的KL散度。
• 在合成网络和现实世界网络（如ca-GrQc）上进行仿真，评估三项指标下的性能：唯一参与者数量、总行为数和资源利用率。
• 使用KL散度衡量最终平衡状态下行为分布与目标分布之间的距离。

实验结果

研究问题

• RQ1 在资源受限的网络中，如何选择早期采纳者，以在多行为扩散过程中最大化网络资源的预期利用率？
• RQ2 对早期采纳者如何分配行为，才能使网络最终的行为分布最接近期望的目标分布？
• RQ3 资源约束和行为成本如何影响社会网络中多种行为的传播？
• RQ4 与随机或简单方法相比，种子选择的启发式方法在资源利用率和分布准确性方面是否表现更优？
• RQ5 低成本行为与高成本行为在扩散模式上存在多大差异？如何通过种子分配策略来校正这种偏差？

主要发现

• 为最大化预期资源利用率而选择种子的问题是NP完全问题，这证明了高效启发式方法的必要性。
• H7启发式方法（通过爬山法最大化预期即时采纳）在所有测试的网络拓扑结构中，持续优于随机、简单、基于度数和基于资源排名的种子选择方法。
• 与简单方法相比，H7启发式方法实现了15–51%更高的资源利用率，尤其在资源约束较高的网络中提升最为显著。
• 将行为在种子中按目标分布比例分配（即设置 $ p_{seeds} = q $）可使最终平衡分布的KL散度较低（如ca-GrQc网络中为0.05），从而更接近目标分布。
• 通过在种子分配中适度调整：降低低成本行为的权重、提高高成本行为的权重，可进一步减小KL散度，提升与目标分布的一致性。
• 低成本行为天然传播得更远，因此需要战略性地分配行为以抵消这种偏差，从而实现目标分布。