[论文解读] Profit-Driven Team Grouping in Social Networks

Shaojie Tang, Yuan, Jing+2 more|arXiv (Cornell University)|May 10, 2016

Complexity and Algorithms in Graphs参考文献 10被引用 4

一句话总结

本文提出了 TeamGrouping 问题，这是一种在社交网络中以利润为导向的团队组建模型，要求团队具备必要技能、保持社交兼容性（通过连通子图实现）并避免个体过载。该文提出了一种基于线性规划的近似算法，其保证的近似比为 $\max\{\mu/(4\Delta), \mu/(8\sqrt{f_{\text{max}}m})\}$，其中 $\mu$ 是 MincostTeamSelection 问题的近似比，$\Delta$ 是最大最小团队的大小，从而为覆盖分解问题建立了一个通用框架。

ABSTRACT

In this paper, we investigate the profit-driven team grouping problem in social networks. We consider a setting in which people possess different skills, and the compatibility between these individuals is captured by a social network. Moreover, there is a collection of tasks, where each task requires a specific set of skills and yields a profit upon completion. Individuals may collaborate with each other as \emph{teams} to accomplish a set of tasks. We aim to find a group of teams to maximize the total profit of the tasks that they can complete. Any feasible grouping must satisfy the following conditions: (i) each team possesses all the skills required by the task assigned to it, (ii) individuals belonging to the same team are socially compatible, and (iii) no individual is overloaded. We refer to this as the extsc{TeamGrouping} problem. We analyze the computational complexity of this problem and then propose a linear program-based approximation algorithm to address it and its variants. Although we focus on team grouping, our results apply to a broad range of optimization problems that can be formulated as cover decomposition problems.

研究动机与目标

• 形式化社交网络中以利润为导向的团队分组问题，要求团队具备必要技能、保持社交兼容性并避免个体过载。
• 分析 TeamGrouping 问题的计算复杂性，证明其近似难度为 $1/\ln m$。
• 为 TeamGrouping 问题及其变体（包括任务频率约束和团队规模限制）开发基于线性规划的近似算法。
• 将该方法推广至更广泛的覆盖分解问题类别，超越团队组建的范畴。
• 在各种约束条件下（包括个体工作量和团队连通性）建立理论近似保证。

提出的方法

• 将 TeamGrouping 问题建模为整数线性规划（ILP），通过约束确保技能完整性、社交兼容性（连通子图）以及个体工作量限制。
• 引入一种改进的近似算法（Approx-TG），根据团队规模将可行团队划分为两类：小型团队（$\leq \sqrt{f_{\text{max}}m}$）和大型团队（$> \sqrt{f_{\text{max}}m}$）。
• 对问题的线性规划松弛解应用舍入技术，采用阈值策略选择能最大化利润且遵守个体参与限制的团队。
• 使用对偶拟合论证和边界技术，将舍入解的利润与最优线性规划解相关联，利用 MincostTeamSelection 子问题的 $\mu$-近似比。
• 采用两阶段分析：针对小型团队基于解的密度进行分析，针对大型团队基于个体负荷约束和团队规模下限进行分析。
• 将该框架推广至处理扩展问题，如任务重复次数受限和团队规模约束，同时保持理论近似保证。

实验结果

研究问题

• RQ1 在技能完整性、社交兼容性和个体工作量约束下，以利润为导向的团队分组问题的计算复杂性如何？
• RQ2 能否为 TeamGrouping 问题设计一种具有可证明性能保证的近似算法？
• RQ3 所提算法的近似比如何依赖于社交网络的结构以及个体技能和工作量的分布？
• RQ4 该框架在多大程度上可推广至其他覆盖分解问题？
• RQ5 任务重复次数受限和团队规模上限等约束如何影响近似比和算法设计？

主要发现

• 证明了 TeamGrouping 问题的近似难度为 $1/\ln m$，表明除非 P = NP，否则任何多项式时间算法都无法获得优于 $1/\ln m$ 的近似比。
• 所提出的基于线性规划的算法实现了 $\max\{\mu/(4\Delta), \mu/(8\sqrt{f_{\text{max}}m})\}$ 的近似比，其中 $\mu$ 是 MincostTeamSelection 问题的近似比，$\Delta$ 是最大最小团队的大小。
• 当放松社交兼容性约束时，近似比降低为 $\max\{\ln n/n, \ln n/(2\sqrt{m})\}$，表明在约束较少的环境下性能更优。
• 通过结合高利润的个体任务和精心挑选的小型团队，该算法实现了至少 $\frac{\mu}{8\sqrt{f_{\text{max}}m}} \cdot \text{OPT}$ 的利润。
• 理论分析在原始问题及其扩展问题（包括任务频率限制和团队规模约束）下均成立，显示出良好的鲁棒性。
• 该框架可推广至广泛范围的覆盖分解问题，显著扩展了其在团队组建之外的应用范围。