[论文解读] Towards Profit Maximization for Online Social Network Providers

Jing Tang, Xueyan Tang+1 more|arXiv (Cornell University)|Dec 24, 2017

Complex Network Analysis Techniques参考文献 11被引用 6

一句话总结

该论文提出了一种两阶段框架，通过在影响力传播收益与传播成本之间取得平衡，以最大化在线社交网络（OSN）提供商的利润。该方法采用迭代剪枝来缩小搜索空间，并在缩减后的集合中应用启发式算法，实现在真实OSN数据集（如Google+和LiveJournal）上高达98.7%的近似保证。

ABSTRACT

Online Social Networks (OSNs) attract billions of users to share information and communicate where viral marketing has emerged as a new way to promote the sales of products. An OSN provider is often hired by an advertiser to conduct viral marketing campaigns. The OSN provider generates revenue from the commission paid by the advertiser which is determined by the spread of its product information. Meanwhile, to propagate influence, the activities performed by users such as viewing video ads normally induce diffusion cost to the OSN provider. In this paper, we aim to find a seed set to optimize a new profit metric that combines the benefit of influence spread with the cost of influence propagation for the OSN provider. Under many diffusion models, our profit metric is the difference between two submodular functions which is challenging to optimize as it is neither submodular nor monotone. We design a general two-phase framework to select seeds for profit maximization and develop several bounds to measure the quality of the seed set constructed. Experimental results with real OSN datasets show that our approach can achieve high approximation guarantees and significantly outperform the baseline algorithms, including state-of-the-art influence maximization algorithms.

研究动机与目标

• 为解决OSN提供商在病毒式营销中面临的利润最大化挑战，其中收入取决于影响力传播，成本取决于用户参与度。
• 将利润度量建模为两个子模函数之差——影响力传播带来的收益与传播带来的成本，使其成为非子模且非单调的函数。
• 设计一种高效且有效的两阶段框架，通过剪枝缩小搜索空间，并在其中应用启发式算法以识别高利润种子集。
• 开发理论边界以评估任何算法生成的种子集的质量。
• 在真实世界OSN数据集上实证验证该框架的有效性与效率，展示高近似保证和显著的速度提升。

提出的方法

• 提出两阶段框架：(1) 剪枝阶段，基于影响力和成本估计值迭代移除潜力较低的节点；(2) 搜索阶段，在缩减后的集合中应用启发式算法。
• 引入一种归一化技术以提高影响力和成本估计的准确性，减少采样误差并增强剪枝效果。
• 利用反向可达（RR）集合推导最大可实现利润的上界，通过置信区间和采样技术获得更紧致的边界。
• 使用两个边界中更紧致的一个——μ₃(X) 和 μ₄(X)——以高置信度（δ = 10⁻⁶）评估解的质量。
• 结合RR集合采样应用该框架，以高效估计影响力传播与传播成本，实现对大规模网络的可扩展性。
• 利用理论结果（如定理2、推论1）证明剪枝可同时提升任何启发式算法在搜索阶段的解质量与运行效率。

实验结果

研究问题

• RQ1 当影响力传播产生收入但用户互动产生传播成本时，OSN提供商如何实现利润最大化？
• RQ2 一种有效且可扩展的方法是什么，可用于选择能优化结合影响力收益与传播成本的利润度量的种子用户？
• RQ3 如何有效剪枝搜索空间，以提升在非子模、非单调利润优化设置下的种子选择效率与质量？
• RQ4 在此复杂的利润最大化设置中，可推导出哪些理论边界以衡量种子集的近似质量？
• RQ5 归一化在多大程度上提升了影响力与成本估计的准确性？其对最终利润与运行时间有何影响？

主要发现

• 当应用归一化时，迭代剪枝技术在Google+上将搜索空间缩小了98.3%，在LiveJournal上缩小了83.7%，显著提升了效率。
• 使用2¹⁰ × 10,000个RR集合时，贪婪算法在Google+数据集上实现了98.7%的近似保证，在LiveJournal上实现了72.9%，表明边界非常紧密。
• 在无剪枝的情况下，贪婪算法在LiveJournal上产生了负利润，但剪枝使利润最高提升了24.1%，证明其在解质量中的关键作用。
• 剪枝技术使所有启发式算法的运行速度最高提升了三个数量级，证实了其效率增益。
• 归一化同时提升了搜索空间的缩减量与最终利润，且在归一化后贪婪算法产生的利润更高。
• ModMod-1和ModMod-2启发式算法在LiveJournal上分别实现了75.8%和74.3%的近似保证，显示出相对于上界的优异性能。