[论文解读] On the Fairness of Time-Critical Influence Maximization in Social Networks

Junaid Ali, Mahmoudreza Babaei+4 more|arXiv (Cornell University)|May 16, 2019

Social Media and Politics被引用 7

一句话总结

本文提出在社交网络中实现公平性感知的时间关键影响力最大化（TCIM），通过代理次模目标函数在时间约束下平衡社会显著群体之间的影响力分布。该研究提出具有理论保证的贪心算法，在保持有界性能损失的同时减少影响力传播的不平等，实验验证了在合成网络和真实网络（包括Facebook-Snap）上的有效性。

ABSTRACT

Influence maximization has found applications in a wide range of real-world problems, for instance, viral marketing of products in an online social network, and information propagation of valuable information such as job vacancy advertisements and health-related information. While existing algorithmic techniques usually aim at maximizing the total number of people influenced, the population often comprises several socially salient groups, e.g., based on gender or race. As a result, these techniques could lead to disparity across different groups in receiving important information. Furthermore, in many of these applications, the spread of influence is time-critical, i.e., it is only beneficial to be influenced before a time deadline. As we show in this paper, the time-criticality of the information could further exacerbate the disparity of influence across groups. This disparity, introduced by algorithms aimed at maximizing total influence, could have far-reaching consequences, impacting people's prosperity and putting minority groups at a big disadvantage. In this work, we propose a notion of group fairness in time-critical influence maximization. We introduce surrogate objective functions to solve the influence maximization problem under fairness considerations. By exploiting the submodularity structure of our objectives, we provide computationally efficient algorithms with guarantees that are effective in enforcing fairness during the propagation process. We demonstrate the effectiveness of our approach through synthetic and real-world experiments.

研究动机与目标

• 为解决时间关键影响力最大化（TCIM）中的不公平问题，即由于网络结构和时间约束，少数群体可能被不成比例地忽视。
• 形式化一种公平性概念，要求在时间截止期限内各群体的影响力占比相等。
• 设计计算高效的算法，以在TCIM-Budget和TCIM-Cover两种设定下实现公平性。
• 量化公平性与影响力传播性能之间的权衡，表明公平性的代价是有限的。
• 在合成网络和真实网络上评估所提方法，证明其显著降低了群体间的差异性。

提出的方法

• 提出FairTCIM-Budget和FairTCIM-Cover公式，确保在时间截止期限内各群体的影响力占比相等。
• 提出单调次模代理函数以近似公平性约束的目标函数，从而实现高效优化。
• 采用具有(1−1/e)近似保证的贪心算法求解FairTCIM-Budget问题，利用次模性优势。
• 对FairTCIM-Cover问题应用具有O(log n)近似比的贪心算法，确保所有群体均达到最低影响力配额。
• 使用谱聚类识别真实网络中的拓扑群体，支持群体层面的影响分析。
• 采用凹函数H建模公平性，确保各群体间影响力分配均衡。

实验结果

研究问题

• RQ1 标准TCIM算法在时间关键场景下在社会显著群体间加剧影响力差异的程度如何？
• RQ2 时间截止期限如何影响影响力传播的公平性，特别是对代表性不足群体的影响？
• RQ3 次模代理目标函数能否在保持计算效率的同时有效实现TCIM中的公平性？
• RQ4 在总影响力传播方面，实现公平性所带来的性能代价是多少？
• RQ5 网络属性（如群体规模和连通性）如何影响影响力传播中的公平性？

主要发现

• 所提出的FairTCIM-Budget算法在公平性约束下，至少可达到最优影响力传播的(1−1/e)，并具有可证明的近似保证。
• FairTCIM-Cover算法在公平性约束下，确保所有群体均达到目标影响力配额，且解集大小在最优解的O(log n)范围内。
• 在Facebook-Snap数据集上的实验表明，群体1与群体4之间的差异显著降低，尤其在时间截止期限较紧时更为明显。
• 公平性的代价——以总影响力减少衡量——是有限的且在实验中数值较小，验证了该权衡可被接受。
• 更紧的时间截止期限会加剧标准TCIM方法中的公平性差异，凸显了公平性感知设计的必要性。
• 谱聚类揭示了与影响力差异相关的拓扑群体结构，验证了基于群体的公平性建模的有效性。