[论文解读] StaticGreedy: solving the scalability-accuracy dilemma in influence maximization

Suqi Cheng, Huawei Shen+3 more|arXiv (Cornell University)|Oct 27, 2013

Complex Network Analysis Techniques参考文献 30被引用 104

一句话总结

本文提出 StaticGreedy，一种新颖的影响最大化算法，可在种子选择过程中保证影响传播函数的子模性，从而消除对大量蒙特卡洛模拟的依赖。通过强制保持子模性，StaticGreedy 将计算成本降低两个数量级，同时保持高精度，并通过在大规模网络中采用动态更新策略进一步提升性能。

ABSTRACT

Influence maximization, defined as a problem of finding a set of seed nodes to trigger a maximized spread of influence, is crucial to viral marketing on social networks. For practical viral marketing on large scale social networks, it is required that influence maximization algorithms should have both guaranteed accuracy and high scalability. However, existing algorithms suffer a scalability-accuracy dilemma: conventional greedy algorithms guarantee the accuracy with expensive computation, while the scalable heuristic algorithms suffer from unstable accuracyIn this paper, we focus on solving this scalability-accuracy dilemma. We point out that the essential reason of the dilemma is the surprising fact that the submodularity, a key requirement of the objective function for a greedy algorithm to approximate the optimum, is not guaranteed in all conventional greedy algorithms in the literature of influence maximization. Therefore a greedy algorithm has to afford a huge number of Monte Carlo simulations to reduce the pain caused by unguaranteed submodularity. Motivated by this critical finding, we propose a static greedy algorithm, named StaticGreedy, to strictly guarantee the submodularity of influence spread function during the seed selection process. The proposed algorithm makes the computational expense dramatically reduced by two orders of magnitude without loss of accuracy. Moreover, we propose a dynamical update strategy which can speed up the StaticGreedy algorithm by 2-7 times on large scale social networks.

研究动机与目标

• 解决大规模社交网络中影响最大化面临的可扩展性-准确性困境。
• 识别该困境的根本原因在于现有贪心算法缺乏对子模性的保证。
• 开发一种在种子选择过程中严格保持子模性的方法，以确保精度而不依赖过度计算。
• 在保持高影响传播精度的同时，显著降低计算成本。
• 通过动态更新策略提升大规模网络应用的效率。

提出的方法

• 提出 StaticGreedy，一种静态贪心算法，在整个种子选择过程中强制保持影响传播函数的子模性。
• 通过结构化影响估计过程，确保满足贪心近似保证所必需的收益递减特性，从而保证子模性。
• 用确定性、保持子模性的计算框架替代传统方法中对数千次蒙特卡洛模拟的依赖。
• 引入一种动态更新策略，逐步更新影响估计值，减少大规模网络中的冗余计算。
• 将该算法应用于大规模社交网络，利用保持的子模性，在大幅降低运行时间的同时维持高精度。
• 通过静态子模性强制和自适应更新，最小化重复模拟，优化算法效率。

实验结果

研究问题

• RQ1 为何传统的影响最大化贪心算法尽管有理论上的子模性假设，仍无法保证精度？
• RQ2 是否能在影响最大化过程的种子选择阶段严格保持子模性，从而消除对昂贵蒙特卡洛模拟的依赖？
• RQ3 在贪心影响最大化框架中强制保持子模性能带来多大的性能提升？
• RQ4 动态更新策略如何在不损害影响传播精度的前提下提升效率？
• RQ5 在大规模网络中，能在保持最优影响传播的同时将计算成本降低到何种程度？

主要发现

• 通过消除对大量蒙特卡洛模拟的依赖，StaticGreedy 相较于传统贪心算法将计算成本降低了两个数量级。
• 该算法通过在种子选择过程中严格保证影响传播函数的子模性，维持了高精度。
• 在大规模社交网络上，动态更新策略使 StaticGreedy 算法的运行速度提升了 2 至 7 倍。
• 所提出的方法通过确保理论保证而不牺牲性能，解决了可扩展性-准确性困境。
• 子模性强制带来了稳定且可预测的影响传播估计，克服了启发式方法的不稳定性。
• 该算法通过显著减少模拟次数实现了最优影响传播，证明了子模性保持是实现高效且准确的影响最大化关键。