[论文解读] Scalable Influence Maximization for Multiple Products in Continuous-Time Diffusion Networks

Nan Du, Yingyu Liang+4 more|arXiv (Cornell University)|Dec 8, 2016

Complex Network Analysis Techniques被引用 28

一句话总结

该论文提出了BudgetMax，一种在多种现实约束（如预算限制、用户注意力和时间因素）下，针对连续时间扩散网络的影响最大化可扩展算法，通过将问题形式化为拟阵与背包约束下的子模最大化问题。该方法提出ConTinEst，一种随机化影响估计方法，可在O(1/ε²)次随机化和Õ(n|E| + n|V|)的计算复杂度下实现高精度估计，从而在具有可证明近似保证的情况下实现大规模影响最大化，当kₐ个背包约束处于激活状态时，其近似比为kₐ/(2 + 2k)。

ABSTRACT

A typical viral marketing model identifies influential users in a social network to maximize a single product adoption assuming unlimited user attention, campaign budgets, and time. In reality, multiple products need campaigns, users have limited attention, convincing users incurs costs, and advertisers have limited budgets and expect the adoptions to be maximized soon. Facing these user, monetary, and timing constraints, we formulate the problem as a submodular maximization task in a continuous-time diffusion model under the intersection of a matroid and multiple knapsack constraints. We propose a randomized algorithm estimating the user influence in a network ($|\mathcal{V}|$ nodes, $|\mathcal{E}|$ edges) to an accuracy of $ε$ with $n=\mathcal{O}(1/ε^2)$ randomizations and $ ilde{\mathcal{O}}(n|\mathcal{E}|+n|\mathcal{V}|)$ computations. By exploiting the influence estimation algorithm as a subroutine, we develop an adaptive threshold greedy algorithm achieving an approximation factor $k_a/(2+2 k)$ of the optimal when $k_a$ out of the $k$ knapsack constraints are active. Extensive experiments on networks of millions of nodes demonstrate that the proposed algorithms achieve the state-of-the-art in terms of effectiveness and scalability.

研究动机与目标

• 通过整合多产品、用户注意力限制和活动预算约束等现实约束，解决传统影响最大化方法在单产品、无预算限制和离散时间设定下的局限性。
• 将连续时间扩散网络中的影响最大化问题形式化为一个子模最大化任务，受一个拟阵约束和多个背包约束交集的限制，以建模多样的实际限制。
• 开发一种高效且可扩展的影响估计算法ConTinEst，可在大规模网络（数百万个节点）中实现高统计置信度的高精度影响估计。
• 设计一种自适应阈值贪心算法BudgetMax，在激活的背包约束下，实现kₐ/(2 + 2k)的理论近似保证，确保在真实场景中的稳健性能。
• 在合成网络和真实网络上验证所提方法的有效性与可扩展性，结果表明在影响传播范围和计算效率方面显著优于现有基线方法。

提出的方法

• 提出ConTinEst，一种随机化影响估计算法，通过n = O(1/ε²)次随机化实现ε精度的影响估计，计算复杂度为Õ(n|E| + n|V|)，适用于|V|个节点和|E|条边的网络。
• 使用连续时间随机过程建模影响扩散，通过避免离散时间模型中的分箱误差，实现比离散时间模型更精确的估计。
• 将影响最大化问题形式化为在单个拟阵约束（如用户注意力或群体限制）与多个背包约束（如每种产品的预算和每个用户的成本）交集下的子模最大化问题。
• 设计BudgetMax，一种自适应阈值贪心算法，根据激活的背包约束动态调整阈值，在kₐ个背包约束处于激活状态时，实现kₐ/(2 + 2k)的近似比。
• 利用影响函数的子模性及约束结构，确保理论性能保证的同时保持可扩展性。
• 将影响估计与最大化整合为统一流程，其中ConTinEst作为BudgetMax中的子程序，用于在复杂约束下指导具有影响力的节点选择。

实验结果

研究问题

• RQ1 如何在保证精度的同时，使连续时间扩散网络中的影响估计可扩展至包含数百万个节点的网络？
• RQ2 与离散时间建模相比，连续时间建模在影响估计精度和计算成本方面有何影响？
• RQ3 如何有效形式化并求解拟阵与多个背包约束交集下的影响最大化问题，以反映用户注意力和预算限制等现实限制？
• RQ4 能否为这类复杂约束下的影响最大化设计一种具有可证明近似保证的贪心算法，其理论性能边界是什么？
• RQ5 在真实网络和合成网络上，所提方法BudgetMax与现有可扩展替代方案相比，在影响传播范围和计算效率方面表现如何？

主要发现

• ConTinEst在大规模网络（最多数百万个节点）中实现了高精度影响估计，仅需O(1/ε²)次随机化和Õ(n|E| + n|V|)的计算复杂度，其估计精度显著优于现有最先进方法。
• 当kₐ个背包约束处于激活状态时，BudgetMax对最优解的近似保证为kₐ/(2 + 2k)，为实际性能提供了坚实的理论基础。
• 在真实网络和合成网络上，BudgetMax相比Greedy(离散)和随机分配方法，平均影响传播范围提升20%，证明了其卓越的有效性。
• 该算法可高效扩展至数百万个节点的网络，证实其在Facebook等平台大规模病毒式营销与广告分配中的实用性。
• 该方法能根据扩散特性，成功将产品分配给多样化节点——包括主流媒体和小众/本地站点——实现现实且直观的分配模式。
• 实验表明，连续时间建模相比离散时间模型能提供更精确的影响估计，验证了连续时间扩散作为更优建模框架的有效性。