[论文解读] Maximizing Influence in an Ising Network: A Mean-Field Optimal Solution

Christopher W. Lynn, Daniel D. Lee|arXiv (Cornell University)|Aug 24, 2016

Opinion Dynamics and Social Influence参考文献 18被引用 9

一句话总结

本文将社交网络中的影响力最大化问题形式化为处于平衡态的伊辛自旋系统，提出一种基于平均场最优控制的方法，在外部场预算约束下最大化磁化强度（集体意见）。研究揭示了一个反直觉的转变：在高温下，影响力应集中于高阶数节点；但在低温下，低阶数节点反而成为最优选择，这一现象在病毒式传播模型中并不存在。

ABSTRACT

Influence maximization in social networks has typically been studied in the context of contagion models and irreversible processes. In this paper, we consider an alternate model that treats individual opinions as spins in an Ising system at dynamic equilibrium. We formalize the extit{Ising influence maximization} problem, which has a natural physical interpretation as maximizing the magnetization given a budget of external magnetic field. Under the mean-field (MF) approximation, we present a gradient ascent algorithm that uses the susceptibility to efficiently calculate local maxima of the magnetization, and we develop a number of sufficient conditions for when the MF magnetization is concave and our algorithm converges to a global optimum. We apply our algorithm on random and real-world networks, demonstrating, remarkably, that the MF optimal external fields (i.e., the external fields which maximize the MF magnetization) shift from focusing on high-degree individuals at high temperatures to focusing on low-degree individuals at low temperatures. We also establish a number of novel results about the structure of steady-states in the ferromagnetic MF Ising model on general graph topologies, which are of independent interest.

研究动机与目标

• 将社交网络中的影响力最大化问题形式化为动态平衡状态下的伊辛模型，将意见视为自旋，将营销视为外部磁场。
• 开发一种平均场近似（MF-IIM），以实现对外部场的高效计算，从而最大化系统磁化强度。
• 识别MF目标函数为凹函数的充分条件，以确保收敛至全局最优解。
• 研究在不同相互作用强度（温度区间）下最优影响力策略的结构性转变。
• 在真实网络与合成网络上展示该方法的可扩展性及其相对于启发式方法的优越性。

提出的方法

• 使用铁磁伊辛模型并引入代表影响力的外部场，形式化伊辛影响力最大化（IIM）问题。
• 应用平均场（MF）近似，推导出在外部场作用下磁化强度的可处理目标函数。
• 推导出磁化率（对外部场变化的响应），以支持对MF磁化目标函数的梯度上升。
• 开发一种基于梯度上升的算法，利用磁化率迭代更新外部场，收敛至局部最优解。
• 建立理论条件，确保MF目标函数为凹函数，从而保证全局收敛。
• 通过Glauber动力学的蒙特卡洛模拟，在随机网络与真实网络（如arXiv合作者网络）上验证该方法。

实验结果

研究问题

• RQ1 在伊辛网络模型的民意动态中，最优影响力策略如何随相互作用强度（温度）而变化？
• RQ2 在何种条件下，伊辛影响力最大化问题的平均场近似为凹函数，从而实现全局优化？
• RQ3 网络拓扑的何种结构性特征决定了最优影响力策略从高阶数节点转向低阶数节点？
• RQ4 MF-IIM方法在真实网络与合成网络中，相较于标准节点选择启发式方法（如度数、中心性、随机选择）的表现如何？
• RQ5 在一般加权、有向、强连通图上，铁磁MF伊辛模型的稳态特性为何？

主要发现

• 在高温（低相互作用强度）下，最优外部场将影响力集中于高阶数节点，与病毒式模型的直觉一致。
• 在低温（高相互作用强度）下，最优策略转向影响低阶数节点，这一反转在标准病毒式传播模型中未被观察到。
• MF-IIM算法在磁化强度增益方面优于按度数比例、基于中心性及随机启发式方法，即使在临界温度βc下亦然。
• 在一般强连通图上，铁磁MF伊辛模型的临界温度βc等于邻接矩阵的谱半径。
• 在特定条件下，系统最多存在一个具有非负分量的稳定稳态，且磁化强度在外部场下为光滑且凹函数。
• 该模型在形式上等价于玻尔兹曼机，暗示可利用成熟的机器学习技术实现数据驱动的影响力最大化。