[论文解读] Opinion Maximization in Social Networks

Aristides Gionis, Evimaria Terzi+1 more|arXiv (Cornell University)|Jan 30, 2013

Opinion Dynamics and Social Influence参考文献 14被引用 39

一句话总结

本文提出了Campaign问题，旨在通过基于Friedkin和Johnsen的连续意见动态模型，在社交网络中识别一组有影响力的个体，以促进对某一信息项的积极意见。该文证明目标函数具有次模性，从而可采用贪心近似算法实现(1−1/e)的近似比，并提出了在真实数据集上表现优于基线方法的可扩展启发式算法，其性能与节点度数及内部意见相关性密切相关。

ABSTRACT

The process of opinion formation through synthesis and contrast of different viewpoints has been the subject of many studies in economics and social sciences. Today, this process manifests itself also in online social networks and social media. The key characteristic of successful promotion campaigns is that they take into consideration such opinion-formation dynamics in order to create a overall favorable opinion about a specific information item, such as a person, a product, or an idea. In this paper, we adopt a well-established model for social-opinion dynamics and formalize the campaign-design problem as the problem of identifying a set of target individuals whose positive opinion about an information item will maximize the overall positive opinion for the item in the social network. We call this problem CAMPAIGN. We study the complexity of the CAMPAIGN problem, and design algorithms for solving it. Our experiments on real data demonstrate the efficiency and practical utility of our algorithms.

研究动机与目标

• 将社交网络中的意见形成建模为一种理性的、基于均衡的过程，其中个体通过最小化社交成本来调整表达意见。
• 将活动设计问题形式化为：选择k个个体，使其积极的表达意见能最大化网络在均衡状态下的平均意见。
• 分析Campaign问题的计算复杂度，并开发高效的近似算法。
• 在真实社交网络上评估算法性能，并识别影响有效性的结构因素。
• 探索变体，包括改变内部意见或网络结构，并发现：在无向图中，整体意见对网络拓扑结构具有不变性。

提出的方法

• 采用Friedkin-Johnsen意见动态模型，其中每个节点具有固定的内部意见和随时间动态变化的表达意见，通过最优响应更新机制演化。
• 将意见形成建模为社会博弈的纳什均衡，其中节点最小化与邻居的不一致程度以及与内部信念的偏离程度。
• 证明意见最大化的目标函数具有单调性和次模性，从而可通过贪心选择实现(1−1/e)近似。
• 建立意见动态与吸收性随机游走之间的新联系，推导出该问题可近似性的理论边界。
• 提出三种可扩展的启发式算法——Degree、FreeDegree和RWR，基于节点中心性与随机游走排名，以近似贪心解。
• 在真实数据集（bibsonomy和dblp）上进行实验评估，将启发式算法性能与贪心算法及基线方法进行比较。

实验结果

研究问题

• RQ1 如何将社交网络中的意见形成建模为一种理性的、基于均衡的过程，而非二元级联过程？
• RQ2 在均衡状态下，选择k个个体以最大化网络中平均表达意见的计算复杂度是什么？
• RQ3 能否为意见最大化问题设计高效的近似算法？这些算法在实际中的表现如何？
• RQ4 网络的结构特性（如度分布以及度与内部意见的相关性）如何影响启发式策略的性能？
• RQ5 当内部意见或网络结构发生变化时，整体网络意见会发生什么变化？网络拓扑是否会影响集体意见？

主要发现

• 意见最大化的目标函数具有单调性和次模性，因此可通过贪心算法实现(1−1/e)近似。
• 所提出的启发式算法——Degree、FreeDegree和RWR在真实数据集上性能接近贪心算法，其中RWR在dblp数据集上表现尤为出色。
• 启发式算法的性能与节点度数和内部意见之间的相关性密切相关：相关性越高（如dblp中所示），前三种启发式算法的性能越接近。
• Min-S和Min-Z启发式算法表现较差，因其优先选择内部意见较低的节点，但未考虑通过度数或随机游走中心性体现的影响潜力。
• 在无向网络中，总网络意见∑z_i对网络结构具有不变性，且等于内部意见之和∑s_i，意味着网络拓扑不影响集体意见。
• 无论网络结构如何，∑z_i = ∑s_i的不变性均成立，表明修改边无法有效提升意见，而改变内部意见比影响表达意见更为简单且高效。