[论文解读] Using Social Networks to Aid Homeless Shelters: Dynamic Influence Maximization under Uncertainty - An Extended Version

Amulya Yadav, Hau Chan+4 more|arXiv (Cornell University)|Jan 30, 2016

Homelessness and Social Issues参考文献 27被引用 4

一句话总结

本文提出 HEALER，一种基于 POMDP 的软件代理，通过分层集成方法在无家可归青年社交网络中解决不确定性下的动态影响力最大化问题，实现可扩展、容错性高且成本低廉的干预规划，适用于艾滋病病毒意识宣传活动。与贪心方法相比，HEALER 在间接影响力方面最高提升 110%，且可扩展至以往方法因内存和时间限制而失效的真实世界网络规模。

ABSTRACT

This paper presents HEALER, a software agent that recommends sequential intervention plans for use by homeless shelters, who organize these interventions to raise awareness about HIV among homeless youth. HEALER's sequential plans (built using knowledge of social networks of homeless youth) choose intervention participants strategically to maximize influence spread, while reasoning about uncertainties in the network. While previous work presents influence maximizing techniques to choose intervention participants, they do not address three real-world issues: (i) they completely fail to scale up to real-world sizes; (ii) they do not handle deviations in execution of intervention plans; (iii) constructing real-world social networks is an expensive process. HEALER handles these issues via four major contributions: (i) HEALER casts this influence maximization problem as a POMDP and solves it using a novel planner which scales up to previously unsolvable real-world sizes; (ii) HEALER allows shelter officials to modify its recommendations, and updates its future plans in a deviation-tolerant manner; (iii) HEALER constructs social networks of homeless youth at low cost, using a Facebook application. Finally, (iv) we show hardness results for the problem that HEALER solves. HEALER will be deployed in the real world in early Spring 2016 and is currently undergoing testing at a homeless shelter.

研究动机与目标

• 解决在有限、顺序干预条件下，最大化无家可归青年中艾滋病病毒意识传播的挑战。
• 为真实世界社交网络中不确定性下的影响力最大化问题，开发一种可扩展的解决方案。
• 实现容错性，使收容所管理人员可在不损害性能的前提下修改干预计划。
• 通过低成本的基于 Facebook 的数据收集方法，降低构建社交网络的成本和时间。
• 提供一个理论基础扎实、端到端的系统，超越以往基于 POMDP 方法的局限。

提出的方法

• 将干预规划问题建模为部分可观测马尔可夫决策过程（POMDP），以处理社交网络结构中的不确定性。
• 采用 HEAL——一种新颖的分层集成规划器，将 POMDP 分解为更小的子问题，并通过采样与聚合技术减少内存使用，提升可扩展性。
• HEAL 在顶层使用图划分，在第二层通过重复采样不确定的网络边，生成鲁棒且低内存的计划。
• 系统集成基于 Facebook 的应用程序，以低成本方式收集社交网络数据，显著降低网络构建的时间与成本。
• HEALER 能够根据偏差（例如参与者拒绝参加）动态更新计划，确保在真实世界执行不确定性下仍保持性能。
• 框架包含理论上的难解性结果，确立了 DIME 问题的计算复杂度。

实验结果

研究问题

• RQ1 基于 POMDP 的方法是否能够扩展至真实世界规模的无家可归青年社交网络，而以往方法因内存和时间限制而失败？
• RQ2 分层集成规划器（HEAL）在最小化内存使用的同时，是否能实现高质量的影响力传播？
• RQ3 HEALER 在干预执行出现偏差（如参与者缺席）时，其容忍程度如何？
• RQ4 当网络结构的不确定性参数（u(e), p(e)）估计有误时，HEALER 的性能有多稳健？
• RQ5 低成本的基于 Facebook 的方法是否能生成足够准确的社交网络数据，以支持有效的干预规划？

主要发现

• 与贪心基线相比，HEALER 在间接影响力方面最高提升 110%，表明影响力传播能力提升超过两倍。
• 与最先进的 POMDP 求解器相比，HEAL 将运行时间减少最多 100 倍，使系统可扩展至真实世界网络规模。
• HEALER 展现出强大的容错能力，在高达 20% 的推荐行动被随机选择替代时，仍能保持高水平的影响力。
• 敏感性分析表明，当不确定性参数（u(e), p(e)）估计有误时，HEALER 的解决方案平均仅损失 15% 的性能，表明其具有强鲁棒性。
• 基于 Facebook 的数据收集方法显著降低了网络构建的成本与时间，使系统能在真实收容所中快速部署。
• HEALER 目前正在进行真实世界测试，计划于 2016 年初部署，已获得收容所管理人员的积极反馈。