[论文解读] Quantify and Maximise Global Viral Influence Through Local Network Information.

Yanqing Hu, Shenggong Ji+2 more|arXiv (Cornell University)|Sep 11, 2015

Complex Network Analysis Techniques被引用 3

一句话总结

该论文提出一种基于局部信息的方法，利用渗流理论准确估计并最大化大规模社交网络中的全局病毒式传播影响力。该方法在时间复杂度与网络规模无关的情况下实现暴力搜索的精度，从而能够高效识别最优种子传播者。

ABSTRACT

Measuring and maximising the influence of individuals is the key to understand and leverage the multiplicative potential of viral spreading over social networks. Yet these have been recognized as problems requiring global structural information, and extremely difficult for the enormous size and complexity of online social networks. Based on the percolation phenomenon, we show that they can be essentially reduced to local problems. Our estimated global influence of individuals based on local structural information matches that of brute-force search. Furthermore this measure leads to an efficient algorithm to identify the best seed spreaders for maximum viral influence. Its time complexity is independent of network size, making it practically useful for real networks. The underlying theoretical framework enables a thorough analytical assessment of the prediction accuracy and the absolute performance of the proposed methods.

研究动机与目标

• 解决在大规模在线社交网络中识别关键传播者的问题。
• 减少影响力最大化过程中对全局结构信息的依赖，因为大规模下全局信息获取在计算上不可行。
• 开发一种仅使用局部网络信息来高精度估计全局影响力的算法。
• 设计一种时间复杂度与网络规模无关的高效种子选择算法，使其在真实网络中具备实际可扩展性。

提出的方法

• 利用渗流理论对网络中的信息传播动态进行建模。
• 仅基于每个节点周围的局部结构特征来估计节点的全局影响力。
• 推导出一个理论框架，将局部网络属性与全局影响力传播联系起来。
• 使用局部近似方法模拟全局影响力，而无需完整网络拓扑信息。
• 设计一种时间复杂度与网络规模无关的算法，从而实现可扩展性。
• 通过预测精度和性能边界分析评估方法的有效性。

实验结果

研究问题

• RQ1 能否仅基于局部网络信息准确估计全局病毒式传播影响力？
• RQ2 是否可能在不访问完整网络结构的情况下识别出最优种子传播者？
• RQ3 与暴力计算全局方法相比，该局部方法在精度和效率方面的表现如何？
• RQ4 所提出的局部影响力估计方法在精度和可扩展性方面的理论基础是什么？

主要发现

• 所提出的局部方法在影响力估计精度上可与暴力全局搜索相媲美。
• 该算法的时间复杂度与网络规模无关，使其在大规模网络中具备实际部署能力。
• 理论框架支持对预测精度和性能的严格分析评估。
• 该方法能够高效识别出最优种子传播者，以实现最大病毒式传播影响力。
• 该方法将影响力最大化的复杂度从全局降低到局部，使其在真实应用中成为可行方案。
• 结果表明，仅凭局部结构信息即可高保真地预测全局影响力。