[论文解读] On the Shoulders of Giants: Incremental Influence Maximization in Evolving Social Networks

Xiaodong Liu, Xiangke Liao+5 more|arXiv (Cornell University)|Aug 5, 2015

Complex Network Analysis Techniques被引用 4

一句话总结

本文提出 IncInf，一种用于动态社交网络的增量影响最大化算法，通过利用优先连接机制和高阶度节点主导性，减少重复计算。通过局部化影响传播变化并基于先前的 top-K 结果应用剪枝策略，IncInf 在保持相近影响传播性能的同时，相较于最先进静态方法实现了高达 21 倍的加速。

ABSTRACT

Identifying the most influential individuals can provide invaluable help in developing and deploying effective viral marketing strategies. Previous studies mainly focus on designing efficient algorithms or heuristics to find top-K influential nodes on a given static social network. While, as a matter of fact, real-world social networks keep evolving over time and a recalculation upon the changed network inevitably leads to a long running time, significantly affecting the efficiency. In this paper, we observe from real-world traces that the evolution of social network follows the preferential attachment rule and the influential nodes are mainly selected from high-degree nodes. Such observations shed light on the design of IncInf, an incremental approach that can efficiently locate the top-K influential individuals in evolving social networks based on previous information instead of calculation from scratch. In particular, IncInf quantitatively analyzes the influence spread changes of nodes by localizing the impact of topology evolution to only local regions, and a pruning strategy is further proposed to effectively narrow the search space into nodes experiencing major increases or with high degrees. We carried out extensive experiments on real-world dynamic social networks including Facebook, NetHEPT, and Flickr. Experimental results demonstrate that, compared with the state-of-the-art static heuristic, IncInf achieves as much as 21X speedup in execution time while maintaining matching performance in terms of influence spread.

研究动机与目标

• 解决在演化社交网络中每次拓扑变化后从头重新计算 top-K 影响力节点的低效问题。
• 降低在频繁重复计算不切实际的大规模动态网络中的计算成本。
• 利用结构演化模式——优先连接与高阶度节点主导性——指导高效的增量更新。
• 开发一种在显著提升执行速度的同时保持高影响传播准确性的方法。

提出的方法

• 应用影响传播变化局部化技术，仅量化拓扑演化对局部网络区域的影响，避免全局重新计算。
• 引入可调参数以平衡计算效率与影响传播准确性的权衡。
• 设计一种剪枝策略，基于先前的 top-K 结果，仅将候选节点限制在影响传播显著增加或度数较高的节点上。
• 以独立级联（IC）模型作为底层影响扩散机制，聚焦于相邻网络快照之间的增量更新。
• 将 CELF 优化启发式方法集成到增量框架中，进一步加速收敛。
• 将影响传播计算限制在变更边周围的局部邻域内，实现可扩展且自适应的更新。

实验结果

研究问题

• RQ1 在网络演化后，影响传播变化是否可被局部化到仅一小部分节点，从而实现高效的增量更新？
• RQ2 如何利用对 top-K 影响力节点的先验知识来缩小动态网络中的搜索空间？
• RQ3 基于度数和影响传播变化幅度的剪枝策略在不牺牲影响传播质量的前提下，能在多大程度上提升效率？
• RQ4 增量方法是否能在保持相近影响传播性能的同时，实现相对于静态影响最大化算法的显著加速？

主要发现

• IncInf 相较于最先进静态启发式算法，执行时间最高可提升 21 倍，同时保持完全一致的影响传播性能。
• 该算法通过仅关注高阶度节点及拓扑变化后影响传播显著增加的节点，有效缩小了搜索空间。
• 在真实动态网络（Facebook、NetHEPT 和 Flickr）上的实验表明，IncInf 在大规模演化网络中表现出良好的可扩展性。
• 将影响传播变化局部化到局部网络区域，实现了无需全局重新计算的高效计算。
• 基于先前 top-K 结果的剪枝策略显著减少了不必要的影响传播重新评估。
• 尽管采用增量更新，IncInf 仍保持了高精度的影响传播估计，展现出强大的鲁棒性与可扩展性。