[论文解读] Influence Spread in Large-Scale Social Networks - A Belief Propagation Approach

Huy Nguyen, Rong Zheng|arXiv (Cornell University)|Apr 19, 2012

Bayesian Modeling and Causal Inference被引用 10

一句话总结

本文提出了一种基于信念传播的方法，以高效计算大规模社交网络中的影响传播，克服了贪心影响最大化方法中的计算瓶颈。通过将影响扩散建模为在有向无环图（DAG）上的信念传播，该方法能够在无需蒙特卡洛模拟的情况下，快速且准确地估计影响传播，实现在拥有数百万条边的真实网络中以适中的计算成本实现高性能。

ABSTRACT

Abstract. Influence maximization is the problem of finding a small set of seed nodes in a social network that maximizes the spread of influence under a certain diffusion model. The Greedy algorithm for influence maximization first proposed by Kempe, later improved by Leskovec suffers from two sources of computational deficiency: 1) the need to evaluate many candidate nodes before selecting a new seed in each round, and 2) the calculation of the influence spread of any seed set relies on Monte-Carlo simulations. In this work, we tackle both problems by devising efficient algorithms to compute influence spread and determine the best candidate for seed selection. The fundamental insight behind the proposed algorithms is the linkage between influence spread determination and belief propagation on a directed acyclic graph (DAG). Experiments using real-world social network graphs with scales ranging from thousands to millions of edges demonstrate the superior performance of the proposed algorithms with moderate computation costs. 1

研究动机与目标

• 解决依赖昂贵蒙特卡洛模拟的贪心影响最大化算法所面临的计算低效问题。
• 通过实现快速的影响传播估计，减少每轮种子选择中的候选节点评估数量。
• 开发一种可扩展的影响传播计算方法，在大规模真实社交网络中保持高精度。
• 在有向无环图上建立影响扩散与信念传播之间的理论与计算联系。

提出的方法

• 该方法将影响扩散建模为从社交网络结构导出的有向无环图（DAG）上的信念传播。
• 利用DAG的局部结构，通过前向传播的影响概率消息传递更新来计算影响传播。
• 通过聚合DAG叶节点处的信念值来计算种子集的影响传播，避免重复的蒙特卡洛模拟。
• 通过基于信念传播计算的影响传播结果对候选节点进行排序，高效识别每轮中的最佳种子节点。
• 该方法利用DAG的条件独立性质，实现每个候选节点的线性时间影响估计。
• 该方法设计用于扩展至包含数千至数百万条边的网络，同时保持较低的计算开销。

实验结果

研究问题

• RQ1 在不使用蒙特卡洛模拟的情况下，DAG上的信念传播能否准确近似社交网络中的影响传播？
• RQ2 与基于蒙特卡洛评估的贪心算法相比，所提出的方法在影响最大化中如何降低计算成本？
• RQ3 信念传播方法在不同真实世界网络拓扑结构下，其影响传播估计的精度保持程度如何？
• RQ4 该方法能否以比传统贪心方法更少的每轮评估次数，高效识别高影响力种子节点？
• RQ5 当应用于包含多达数百万条边的大规模网络时，该方法在性能和精度方面的可扩展性如何？

主要发现

• 信念传播方法在影响传播估计中实现了高精度，其结果与蒙特卡洛模拟非常接近，且无需重复采样。
• 该方法显著降低了每次影响评估的计算成本，从而加快了贪心算法每轮中的种子选择速度。
• 该算法在大规模网络中表现出良好的可扩展性，即使在包含数百万条边的图上也仅需适中的计算成本。
• 通过用DAG上的消息传递替代蒙特卡洛模拟，该方法消除了基于模拟估计固有的随机方差。
• 在真实社交网络上的实验表明，所提出方法在影响传播方面优于现有方法，同时保持了较低的计算开销。
• 影响扩散与信念传播之间的关联使得影响传播能够实现高效、确定性的计算，从而使大规模影响最大化成为可能。