[论文解读] Steering Social Activity: A Stochastic Optimal Control Point Of View

Ali Zarezade, Abir De+3 more|arXiv (Cornell University)|Feb 19, 2018

Diffusion and Search Dynamics参考文献 5被引用 12

一句话总结

本文提出了一种用于在线社交网络中引导社交活动的随机最优控制框架，通过将用户行为建模为带标记的时变点过程，并利用带跳的随机微分方程推导控制策略。该研究引入了两种高效的在线算法——针对个体用户的RedQueen与针对网络整体活动的Cheshire，二者均生成具有可证明最优性的线性控制律，在合成数据与真实Twitter数据上均优于当前最先进方法。

ABSTRACT

User engagement in online social networking depends critically on the level of social activity in the corresponding platform--the number of online actions, such as posts, shares or replies, taken by their users. Can we design data-driven algorithms to increase social activity? At a user level, such algorithms may increase activity by helping users decide when to take an action to be more likely to be noticed by their peers. At a network level, they may increase activity by incentivizing a few influential users to take more actions, which in turn will trigger additional actions by other users. In this paper, we model social activity using the framework of marked temporal point processes, derive an alternate representation of these processes using stochastic differential equations (SDEs) with jumps and, exploiting this alternate representation, develop two efficient online algorithms with provable guarantees to steer social activity both at a user and at a network level. In doing so, we establish a previously unexplored connection between optimal control of jump SDEs and doubly stochastic marked temporal point processes, which is of independent interest. Finally, we experiment both with synthetic and real data gathered from Twitter and show that our algorithms consistently steer social activity more effectively than the state of the art.

研究动机与目标

• 设计数据驱动的在线算法，通过战略性地安排用户行为时间来提升在线社交网络中的社交活跃度。
• 将用户参与度建模为具有外生与内生行为的带标记时变点过程，采用多维霍克斯过程。
• 通过带跳的随机微分方程，为这些过程提供替代表示形式，以实现最优控制。
• 为个体用户与网络层面的活动引导，开发具有理论保证的高效在线算法。
• 建立随机跳跃SDE最优控制与双重随机时变点过程之间的新联系。

提出的方法

• 使用具有条件强度函数的带标记时变点过程对用户行为进行建模，捕捉自发性与触发性行为。
• 采用带跳的随机微分方程表示动态过程，实现连续时间最优控制公式化。
• 重新表述代价到目标函数，将随机强度过程作为状态变量纳入，以反映双重随机动态。
• 通过在跳跃SDE下求解汉密尔顿-雅可比-贝尔曼方程，推导出最优控制律，得到线性反馈策略。
• 设计RedQueen用于个体用户，基于信息流中的位置与关注者可见性优化发帖时间。
• 设计Cheshire用于网络级引导，利用里卡蒂方程与一阶常微分方程，确定对关键用户激励的最优水平。

实验结果

研究问题

• RQ1 如何最优地安排个体用户的发帖时间，以在信息流拥挤的社交平台中最大化可见性与参与度？
• RQ2 对一小撮有影响力的用户实施激励的最优策略是什么，以放大整体网络的活跃度？
• RQ3 如何将社交活动的动态建模为双重随机跳跃过程，以支持控制目的？
• RQ4 具有随机强度状态的跳跃SDE的最优控制策略具有何种结构？
• RQ5 能否基于随机控制理论，推导出具有可证明最优性、高效且可在线实施的社交活动引导算法？

主要发现

• 个体用户最优发帖强度与其最近一次发帖在关注者信息流中的位置呈线性关系，系数由可调参数决定。
• 对关键用户最优激励水平与当前整体网络活跃度水平呈线性关系，确保控制的可扩展性与自适应性。
• 最优控制问题的代价到目标函数为二次型，意味着策略展开中的高阶项消失，从而简化了解决方案。
• RedQueen与Cheshire在计算上高效，仅需少量代码行，可实现实时部署。
• 在合成数据与真实Twitter数据上的实验表明，两种算法在提升社交活跃度方面始终优于当前最先进基线方法。
• 该框架建立了随机跳跃SDE最优控制与双重随机带标记点过程之间全新的理论联系，其应用范围可扩展至社交网络之外。