[论文解读] Mitigating Overexposure in Viral Marketing

Rediet Abebe, Lada A. Adamic+1 more|arXiv (Cornell University)|Sep 13, 2017

Complex Network Analysis Techniques被引用 5

一句话总结

本文提出了一种病毒式营销的理论模型，该模型考虑了过度曝光问题——即过度推广可能使原本持负面态度的用户接触到产品，导致其拒绝产品并损害产品声誉。通过建模用户的临界阈值和产品吸引力参数，作者开发了一种多项式时间算法，以优化种子策略，在最大化正面采纳的同时最小化负面反应，模拟结果在真实网络上表现出色。

ABSTRACT

In traditional models for word-of-mouth recommendations and viral marketing, the objective function has generally been based on reaching as many people as possible. However, a number of studies have shown that the indiscriminate spread of a product by word-of-mouth can result in overexposure, reaching people who evaluate it negatively. This can lead to an effect in which the over-promotion of a product can produce negative reputational effects, by reaching a part of the audience that is not receptive to it. How should one make use of social influence when there is a risk of overexposure? In this paper, we develop and analyze a theoretical model for this process; we show how it captures a number of the qualitative phenomena associated with overexposure, and for the main formulation of our model, we provide a polynomial-time algorithm to find the optimal marketing strategy. We also present simulations of the model on real network topologies, quantifying the extent to which our optimal strategies outperform natural baselines

研究动机与目标

• 解决现有病毒式营销模型未能考虑向持负面态度用户推广所导致的声誉损害的问题。
• 形式化最大化正面采纳与最小化因用户临界阈值过高而拒绝产品所带来影响之间的权衡。
• 开发一种算法框架，以在社交网络中过度曝光风险下优化种子策略。
• 利用真实网络拓扑量化最优策略相对于自然基线的性能表现。
• 探讨在预算约束下该问题的计算复杂性。

提出的方法

• 该模型为每位用户分配一个临界参数 θi ∈ [0,1]，表示其接受产品的阈值。
• 每个产品具有一个参数 φ ∈ [0,1]，表示其吸引力；当 φ ≥ θi 时，用户将接受该产品。
• 采纳会触发级联传播：接受产品用户会向邻居推荐，而拒绝用户则会产生负面反馈。
• 目标函数结合了正面采纳带来的收益与负面拒绝带来的成本，形成一种权衡优化问题。
• 通过网络流技术，开发了一种多项式时间算法，以求解无约束情况下的最优种子问题。
• 通过在真实世界网络拓扑上的模拟评估模型，将最优策略与自然基线进行比较。

实验结果

研究问题

• RQ1 如何在病毒式营销中建模过度曝光的风险，即向负面用户推广会损害产品声誉？
• RQ2 在同时考虑正面与负面效应时，寻找最优种子策略的计算复杂性是什么？
• RQ3 在真实网络结构中，能够缓解过度曝光的最优策略与简单启发式方法相比表现如何？
• RQ4 社交网络的结构如何影响缓解过度曝光的种子策略的有效性？
• RQ5 当引入预算约束以限制初始采纳者数量时，优化问题会发生什么变化？

主要发现

• 所提出的模型能够捕捉过度曝光的定性现象，如 Groupon 效应以及病毒式推广后评分下降。
• 通过网络流技术，为无约束优化问题开发了一种多项式时间算法。
• 在真实网络拓扑的模拟中，该算法显著优于自然基线，有效减少了负面曝光，同时保持了较高的正面采纳率。
• 当引入预算约束时，问题变为 NP-难，表明在覆盖范围与风险之间存在非平凡的权衡。
• 实证结果表明，即使企业对初始曝光无任何限制，最优策略也能显著减少触及持负面态度用户的情况。
• 该框架为在影响力最大化模型中整合声誉成本与用户响应异质性提供了基础。