[论文解读] Shaping Social Activity by Incentivizing Users

Mehrdad Farajtabar, Nan Du+4 more|arXiv (Cornell University)|Aug 2, 2014

Point processes and geometric inequalities参考文献 25被引用 72

一句话总结

本文提出了一种凸优化框架，利用多变量霍克斯过程对社交网络活动进行建模与调控，通过激励用户来实现控制，利用外生事件强度与整体网络活动之间的线性关系。该方法可在预算约束下精确控制网络级使用模式——例如实现目标活动水平或最大化同质性——在包含60,000名用户的现实Twitter数据中，其表现优于启发式方法。

ABSTRACT

Events in an online social network can be categorized roughly into endogenous events, where users just respond to the actions of their neighbors within the network, or exogenous events, where users take actions due to drives external to the network. How much external drive should be provided to each user, such that the network activity can be steered towards a target state? In this paper, we model social events using multivariate Hawkes processes, which can capture both endogenous and exogenous event intensities, and derive a time dependent linear relation between the intensity of exogenous events and the overall network activity. Exploiting this connection, we develop a convex optimization framework for determining the required level of external drive in order for the network to reach a desired activity level. We experimented with event data gathered from Twitter, and show that our method can steer the activity of the network more accurately than alternatives.

研究动机与目标

• 解决通过外部激励将在线社交网络活动引导至期望状态的挑战。
• 将重复发生的社交事件建模为内生（网络驱动）与外生（外部驱动）事件的混合。
• 开发一种方法，确定每位用户的最优激励水平，以在预算约束下实现特定活动目标。
• 超越二元采纳模型，支持连续、时间敏感的活动调控，实现频率与分布目标。
• 实现对网络活动模式的细粒度、动态控制，包括最低使用量、最大化及同质化。

提出的方法

• 使用多变量霍克斯过程对社交活动进行建模，以捕捉内生与外生事件强度。
• 通过与分支过程的关联，推导出外生事件强度与整体网络活动之间的时变线性关系。
• 将活动调控问题表述为凸优化问题，以在预算约束下确定最优激励水平。
• 采用基于梯度的优化算法，并结合截断泰勒级数近似，实现高效矩阵指数计算。
• 通过卷积形式推广至时变外生激励，同时保持线性与凸性。
• 使用函数梯度下降法处理非参数激励函数，保持凸性与可计算性。

实验结果

研究问题

• RQ1 如何确定外部激励的最优水平，以将社交网络引导至期望的活动水平？
• RQ2 在霍克斯过程模型中，外生事件强度与整体网络活动之间存在何种线性关系？
• RQ3 我们能否通过凸优化实现比启发式基线更高的活动调控精度？
• RQ4 该框架在预算约束和时间敏感活动目标下的表现如何？
• RQ5 该方法能否扩展至时变激励策略，同时保持理论保证？

主要发现

• 所提方法在引导网络活动方面优于启发式基线，尤其在最小化最差用户活动水平方面表现突出，使最差用户每月活动水平提升0.864。
• 该框架可对网络级活动实现精确控制，例如在一个月后确保每位用户每周至少使用两次，并可量化激励水平。
• 在包含60,000名用户和750万条事件的真实Twitter数据集中，该方法利用保留数据准确调控了网络行为。
• 由于活动同质性提升，该方法估计每月额外带来51,840次广告采纳，展现出可扩展性与实际影响。
• 该凸优化框架在大规模场景下（数万个节点）仍保持高精度与高效性，得益于高效的梯度计算。
• 理论推广至时变激励时，仍保持线性与凸性，支持对非参数激励函数使用函数梯度下降。