[论文解读] Influence Blocking Maximization in Social Networks under the Competitive Linear Threshold Model Technical Report

Xinran He, Guojie Song+2 more|arXiv (Cornell University)|Oct 21, 2011

Complex Network Analysis Techniques参考文献 12被引用 19

一句话总结

本文提出 CLDAG，一种在竞争线性阈值（CLT）模型下高效求解社交网络中影响阻断最大化（IBM）问题的算法，其中一方通过选择最优种子节点来阻断竞争性影响的传播。该方法利用有向无环图（DAG）上的动态规划，在不依赖缓慢的蒙特卡洛模拟的前提下，实现接近最优的阻断性能，速度比贪婪蒙特卡洛模拟快达100倍，实证结果表明 CLDAG 在阻断性能上与贪婪方法相当，同时显著提升运行效率。

ABSTRACT

In many real-world situations, different and often opposite opinions, innovations, or products are competing with one another for their social influence in a networked society. In this paper, we study competitive influence propagation in social networks under the competitive linear threshold (CLT) model, an extension to the classic linear threshold model. Under the CLT model, we focus on the problem that one entity tries to block the influence propagation of its competing entity as much as possible by strategically selecting a number of seed nodes that could initiate its own influence propagation. We call this problem the influence blocking maximization (IBM) problem. We prove that the objective function of IBM in the CLT model is submodular, and thus a greedy algorithm could achieve 1-1/e approximation ratio. However, the greedy algorithm requires Monte-Carlo simulations of competitive influence propagation, which makes the algorithm not efficient. We design an efficient algorithm CLDAG, which utilizes the properties of the CLT model, to address this issue. We conduct extensive simulations of CLDAG, the greedy algorithm, and other baseline algorithms on real-world and synthetic datasets. Our results show that CLDAG is able to provide best accuracy in par with the greedy algorithm and often better than other algorithms, while it is two orders of magnitude faster than the greedy algorithm.

研究动机与目标

• 为解决在竞争性影响广泛传播前迅速阻断其在社交网络中传播的挑战。
• 在竞争线性阈值（CLT）模型下建模正负影响的竞争性扩散过程。
• 设计一种高效算法，在不依赖缓慢的蒙特卡洛模拟的前提下，实现高阻断精度。
• 证明在 CLT 模型下，IBM 目标函数具有单调性和次模性，从而支持近似保证。
• 在真实与合成网络中，将 CLDAG 的性能与贪婪算法及启发式基线进行对比评估。

提出的方法

• 本文证明了在 CLT 模型下，IBM 目标函数具有单调性和次模性，从而支持使用贪婪近似算法，并可获得 (1−1/e)−ε 的近似保证。
• 提出 CLDAG，一种新颖的启发式算法，利用线性阈值模型在 DAG 上的高效影响计算特性。
• CLDAG 采用专为 CLT 模型设计的动态规划方法，高效计算影响传播过程，无需蒙特卡洛模拟。
• 该算法基于其阻断潜力选择正向种子节点，优先选择能阻止负面影响力传播至网络大规模区域的节点。
• 结合基于邻近度的选择策略，并通过结构化、无环的方式模拟影响竞争，以优化阻断效果。
• 采用真实网络与合成网络对方法进行评估，将 CLDAG 与贪婪算法、基于度数的启发式方法及邻近度启发式方法进行对比。

实验结果

研究问题

• RQ1 在竞争线性阈值（CLT）模型下，是否能够高效求解影响阻断最大化（IBM）问题，同时保持高精度？
• RQ2 在 CLT 模型下，IBM 的目标函数是否具有次模性，从而支持通过贪婪算法获得近似保证？
• RQ3 CLDAG 在阻断影响传播方面的性能与效率，相较于贪婪算法及其他启发式方法表现如何？
• RQ4 为将负面影响力降低至目标阈值（如 10%）所需正向种子与负面种子的比例是多少？
• RQ5 随着负面种子数量增加及网络结构变化，CLDAG 的性能如何变化？

主要发现

• CLDAG 实现的阻断性能与使用蒙特卡洛模拟的贪婪算法相当，但运行速度高出两个数量级。
• 当负面种子数量为 1,000 时，CLDAG 需要 1,000 个正向种子才能将负面影响力降低至原始水平的 17%，表明存在显著的先动优势。
• 为将负面影响力降低至 10%，CLDAG 所需的正向种子数量约为负面种子数量的 20 至 30 倍，凸显后期干预的困难性。
• 邻近度启发式方法在多数情况下表现不佳，而基于度数的启发式方法对 IBM 无效，凸显 CLDAG 的鲁棒性。
• CLDAG 在所有测试场景中均显著优于其他启发式方法，尤其在负面影响力传播范围较大的网络中优势明显。
• 本研究证实，在 CLT 模型下，IBM 问题具有次模性，验证了贪婪近似方法的适用性；但同时也发现，同一模型下正向影响力最大化问题并不具备次模性，凸显了问题建模中的关键差异。