[论文解读] Time is What Prevents Everything from Happening at Once: Propagation Time-conscious Influence Maximization

Hui Li, Sourav S. Bhowmick+2 more|arXiv (Cornell University)|May 31, 2017

Complex Network Analysis Techniques参考文献 11被引用 3

一句话总结

本文提出 Proteus-IM，一种时间感知的影响最大化框架，能够考虑影响传播过程中网络的演化，采用贪心算法（proteus-genie）和基于反向可达集的方法（proteus-seer），在当前网络中选择种子，以最大化未来演化网络中的影响传播范围。实验表明，两种算法在影响传播质量上均优于经典 IM 方法，其中 proteus-seer 在速度与性能之间实现了良好平衡。

ABSTRACT

The influence maximization (IM) problem as defined in the seminal paper by Kempe et al. has received widespread attention from various research communities, leading to the design of a wide variety of solutions. Unfortunately, this classical IM problem ignores the fact that time taken for influence propagation to reach the largest scope can be significant in realworld social networks, during which the underlying network itself may have evolved. This phenomenon may have considerable adverse impact on the quality of selected seeds and as a result all existing techniques that use this classical definition as their building block generate seeds with suboptimal influence spread. In this paper, we revisit the classical IM problem and propose a more realistic version called PROTEUS-IM (Propagation Time conscious Influence Maximization) to replace it by addressing the aforementioned limitation. Specifically, as influence propagation may take time, we assume that the underlying social network may evolve during influence propagation. Consequently, PROTEUSIM aims to select seeds in the current network to maximize influence spread in the future instance of the network at the end of influence propagation process without assuming complete topological knowledge of the future network. We propose a greedy and a Reverse Reachable (RR) set-based algorithms called PROTEUS-GENIE and PROTEUS-SEER, respectively, to address this problem. Our algorithms utilize the state-of-the-art Forest Fire Model for modeling network evolution during influence propagation to find superior quality seeds. Experimental study on real and synthetic social networks shows that our proposed algorithms consistently outperform state-of-the-art classical IM algorithms with respect to seed set quality.

研究动机与目标

• 为解决经典影响最大化（IM）方法在传播过程中假设网络静态的局限性，该假设在动态社交网络中不切实际。
• 使用森林火灾模型对传播过程中的网络演化进行建模，从而实现对未来的网络状态更准确的种子选择。
• 设计高效算法，在当前网络中选择高质量的种子集合，以最大化在未来的演化网络实例中的影响传播范围。
• 提供一个新的影响最大化基准，反映现实世界的时间动态特性，从而在种子质量上超越经典 IM 方法。

提出的方法

• 提出 Proteus-IM，一种影响最大化的新型公式，假设影响传播需要不可忽略的时间，在此期间网络会持续演化。
• 使用森林火灾模型预测传播过程中的未来网络拓扑，从而支持对演化影响级联的模拟。
• 设计 proteus-genie，一种贪心算法，通过在 I 个时间步内模拟网络演化，并基于最终演化网络中的影响传播范围选择种子。
• 设计 proteus-seer，一种基于反向可达集的算法，通过在预测的未来网络上采样反向影响路径，避免完整模拟，从而提升效率。
• 将网络演化预测集成到现有级联模型（如独立级联模型）中，以在动态拓扑下计算影响传播范围。
• 采用概率框架估计未来网络中的影响传播范围，而无需完全掌握其拓扑结构。

实验结果

研究问题

• RQ1 在影响传播过程中，网络演化如何影响经典影响最大化中的种子选择质量？
• RQ2 通过在传播过程中建模网络演化，而非假设网络静态，能否提升影响传播质量？
• RQ3 在种子选择中考虑网络演化时，影响传播质量与计算效率之间的权衡如何？
• RQ4 预测的未来网络实例数量（I）如何影响所提算法的性能？
• RQ5 基于反向可达集的方法能否在减少运行时间的同时保持较高的影响传播质量，相较于贪心模拟？

主要发现

• 所提出的 proteus-genie 和 proteus-seer 算法在真实网络与合成网络中，均持续优于最先进的经典 IM 算法，影响传播质量更优。
• proteus-seer 在最大网络上运行一小时内即可达到接近最优的影响传播质量，展现出速度与性能之间的良好平衡。
• 增加预测的未来网络实例数量（I）可提升种子质量，但当 I > 500 后收益递减，进一步提升不足 1%。
• 尽管 irie 和 imm 等经典方法运行更快，proteus-seer 的影响传播质量仍持续显著优于它们，证实种子质量在实际应用中至关重要。
• proteus-genie 的运行时间随 I 几乎线性增长，验证了理论分析，并确认了其可扩展性限制。
• 使用森林火灾模型进行网络演化预测，能够准确建模动态社交网络，提升了种子选择的现实性与有效性。