[论文解读] Theories for influencer identification in complex networks

Sen Pei, Flaviano Morone+1 more|arXiv (Cornell University)|Jul 5, 2017

Opinion Dynamics and Social Influence被引用 8

一句话总结

本文提出了一种集体影响（CI）理论，用于识别复杂网络中的关键影响节点，整合了拓扑结构与动态传播过程。结果表明，CI在预测社交、生物及经济社会系统中的影响者方面优于传统中心性度量方法，在金融状况预测中达到 R² = 0.99，并使社交营销活动的响应率提升三倍。

ABSTRACT

In social and biological systems, the structural heterogeneity of interaction networks gives rise to the emergence of a small set of influential nodes, or influencers, in a series of dynamical processes. Although much smaller than the entire network, these influencers were observed to be able to shape the collective dynamics of large populations in different contexts. As such, the successful identification of influencers should have profound implications in various real-world spreading dynamics such as viral marketing, epidemic outbreaks and cascading failure. In this chapter, we first summarize the centrality-based approach in finding single influencers in complex networks, and then discuss the more complicated problem of locating multiple influencers from a collective point of view. Progress rooted in collective influence theory, belief-propagation and computer science will be presented. Finally, we present some applications of influencer identification in diverse real-world systems, including online social platforms, scientific publication, brain networks and socioeconomic systems.

研究动机与目标

• 解决在因网络异质性而使传统中心性度量失效的复杂网络中识别关键影响节点的挑战。
• 开发一种可扩展的集体方法以实现影响力最大化，同时考虑多个影响者之间的相互作用。
• 在包括在线社交平台、脑网络和经济社会系统在内的多样化真实世界系统中验证该理论。
• 量化集体影响对现实结果（如金融状况和病毒式传播）的预测能力。
• 通过大规模社交营销活动展示其实际应用价值，采用基于CI的定位策略。

提出的方法

• 提出集体影响（CI）度量，用于衡量节点通过其在分层结构中的位置影响或控制网络大部分区域的能力。
• 利用 k-core 分解和 k-shell 分析识别分层网络结构，并定位高影响力节点。
• 应用信念传播和消息传递算法，求解大规模网络中的影响力最大化问题。
• 采用 SIR 和 SIS 模型模拟传播动态，验证 CI 在真实网络中的预测能力。
• 引入复合度量（如 ANC（年龄-网络复合）和 ADC（年龄-多样性复合））以提升经济社会应用中的预测精度。
• 通过大规模实地实验验证结果，包括一项涉及 656,944 名参与者的社交营销活动。

实验结果

研究问题

• RQ1 如何在超越单节点中心性度量的基础上识别复杂网络中的关键影响节点？
• RQ2 网络的何种结构特性使得某些节点能对传播动态产生不成比例的影响？
• RQ3 集体影响与传统中心性度量（如度数、PageRank、k-core）相比，在预测现实世界影响力方面表现如何？
• RQ4 能否基于社交网络位置利用集体影响预测个体的金融状况？
• RQ5 基于CI的定位在现实应用（如病毒式营销或疫情控制）中能在多大程度上提升结果？

主要发现

• 当与年龄结合时，集体影响（CI）度量在预测个体金融状况方面达到 R² = 0.99，显著优于度数、PageRank 和 k-core。
• 在社交营销活动中，基于CI的定位使响应率提升三倍，且正确识别出70%的高收入者。
• 在脑网络中，控制信号源自高层模块（如前扣带皮层），并沿预测路径向关键低层区域（如后顶内皮层）传播，与CI图分析结果一致。
• 在墨西哥移动通信网络中，财富排名前1%的个体表现出以分层枢纽结构为特征的自指网络，与CI定义完全吻合。
• 多样性比（DR）与CI捕捉网络结构的不同方面：DR反映跨社区的连通性，而CI反映分层影响力。
• 在无标度网络中，仅需20%的节点即可控制整个网络，且CI能高效识别出这一最小集合。