[论文解读] Smart broadcasting: Do you want to be seen?

Mohammad Reza Karimi, Erfan Tavakoli+3 more|arXiv (Cornell University)|May 22, 2016

Complex Network Analysis Techniques参考文献 16被引用 16

一句话总结

本文提出了一种基于时间点过程建模用户发帖行为的凸优化框架，用于解决社交媒体中的'何时发帖'问题。通过推导出一种新颖的公式，将条件强度与可见性（定义为帖子在关注者首页前k条动态中停留的时间）关联起来，实现了高效且可证明最优的发帖调度，相较于基线策略，在真实Twitter数据上平均使帖子可见性提升1.5倍。

ABSTRACT

Many users in online social networks are constantly trying to gain attention from their followers by broadcasting posts to them. These broadcasters are likely to gain greater attention if their posts can remain visible for a longer period of time among their followers' most recent feeds. Then when to post? In this paper, we study the problem of smart broadcasting using the framework of temporal point processes, where we model users feeds and posts as discrete events occurring in continuous time. Based on such continuous-time model, then choosing a broadcasting strategy for a user becomes a problem of designing the conditional intensity of her posting events. We derive a novel formula which links this conditional intensity with the visibility of the user in her followers' feeds. Furthermore, by exploiting this formula, we develop an efficient convex optimization framework for the when-to-post problem. Our method can find broadcasting strategies that reach a desired visibility level with provable guarantees. We experimented with data gathered from Twitter, and show that our framework can consistently make broadcasters' post more visible than alternatives.

研究动机与目标

• 解决社交媒体中的'何时发帖'问题，其中广播者需在关注者动态信息流中竞争有限的注意力。
• 使用时间点过程对用户发帖行为建模为连续时间事件，实现对可见性的精确控制。
• 开发一种框架，通过优化发帖强度以最大化可见性，同时尊重用户特定约束和关注者的行为模式。
• 通过凸优化提供可见性提升的可证明保证，实现在时间区间上的细粒度可见性控制。
• 在真实Twitter数据上验证该框架，证明其在一致性上显著优于启发式和基线策略。

提出的方法

• 使用非齐次泊松过程，以与历史无关的分段光滑条件强度函数，将用户信息流和帖子建模为连续时间中的离散事件。
• 推导出一种新颖的解析公式，将广播者的条件强度函数与她在关注者信息流中的可见性关联起来，可见性定义为至少有一条帖子在前k条最新动态中停留的时间。
• 证明平均可见性是强度函数的拟凹函数，从而为可见性塑造任务提供高效的凸优化基础。
• 开发一种基于梯度的优化算法，可在毫秒级别内计算出拥有数千名关注者的广播者的最优发帖强度。
• 将可见性塑造任务（如平均可见性最大化和最小最大可见性最大化）表述为具有可证明收敛性和性能保证的凸优化问题。
• 使用保留数据独立估计可见性，避免点赞或转发等混杂因素的影响。

实验结果

研究问题

• RQ1 基于时间点过程的连续时间模型能否有效将广播者的发帖强度与其在关注者信息流中的可见性关联起来？
• RQ2 广播者的可见性在光滑强度函数空间中是否为拟凹函数，从而支持通过凸优化实现最优调度？
• RQ3 所提出的框架能否在真实社交媒体数据上超越启发式和基线策略，显著提升帖子可见性？
• RQ4 该框架在拥有大量关注者的广播者中如何扩展？其优化的计算效率如何？
• RQ5 该框架在多大程度上可扩展以支持算法筛选的信息流或更复杂的点过程（如霍克斯过程）？

主要发现

• 在平均可见性最大化任务中，我们的框架在理论目标上实现1.5倍提升，在保留数据上的平均效用提升1.3倍，显著优于广播者拟合的强度函数。
• 在更具挑战性的最小最大可见性最大化任务中，我们的方法在理论目标上实现1.6倍提升，在平均效用上实现1.4倍提升，且在所有广播者中均保持一致增益。
• 优化后的强度函数在所有测试广播者中均一致提升可见性，无论关注者数量多少，且随着关注者规模增加，性能无下降。
• 该框架具有高效可扩展性：对于拥有2,000名关注者的广播者，单台64核、1.5TB内存的机器上，最优强度计算耗时约250毫秒。
• 理论目标与模拟目标几乎完全一致，验证了可见性估计与优化框架的准确性。
• 基线方法在超过一半的情况下未能提升可见性，而我们的方法在多样化可见性塑造任务中始终保持一致增益。