[论文解读] Viral Marketing Meets Social Advertising: Ad Allocation with Minimum Regret

Çiğdem Aslay, Wei Lu+3 more|arXiv (Cornell University)|Dec 3, 2014

Optimization and Search Problems参考文献 8被引用 9

一句话总结

本文提出了一种新颖的广告分配框架，将病毒式传播效应整合到社交广告中，以最小化平台主机的遗憾。通过使用独立级联（Independent Cascade）模型对影响传播进行建模，并采用具有预算感知遗憾保证的可扩展近似算法（Tirm），该方法在真实社交网络上的效率和效果方面显著优于基线方法。

ABSTRACT

In this paper, we study the problem of allocating ads to users through the viral-marketing lens. Advertisers approach the host with a budget in return for the marketing campaign service provided by the host. We show that allocation that takes into account the propensity of ads for viral propagation can achieve significantly better performance. However, uncontrolled virality could be undesirable for the host as it creates room for exploitation by the advertisers: hoping to tap uncontrolled virality, an advertiser might declare a lower budget for its marketing campaign, aiming at the same large outcome with a smaller cost. This creates a challenging trade-off: on the one hand, the host aims at leveraging virality and the network effect to improve advertising efficacy, while on the other hand the host wants to avoid giving away free service due to uncontrolled virality. We formalize this as the problem of ad allocation with minimum regret, which we show is NP-hard and inapproximable w.r.t. any factor. However, we devise an algorithm that provides approximation guarantees w.r.t. the total budget of all advertisers. We develop a scalable version of our approximation algorithm, which we extensively test on four real-world data sets, confirming that our algorithm delivers high quality solutions, is scalable, and significantly outperforms several natural baselines.

研究动机与目标

• 解决社交网络中广告可通过用户互动实现病毒式传播时的广告分配挑战。
• 在尊重用户注意力限制和广告商预算的前提下，最小化主机的遗憾（定义为最优表现与实际表现之间的差异）。
• 设计一种可扩展的算法，针对总广告商预算提供理论近似保证。
• 在真实社交网络中，于竞争条件下评估该方法，证明其优于自然基线方法。

提出的方法

• 使用独立级联（IC）模型对广告传播进行建模，其中每个点击广告的用户会以与主题和用户相关的概率尝试影响其邻居。
• 为平台主机引入遗憾最小化目标，平衡病毒式传播范围与预算约束及用户注意力限制。
• 提出Tirm算法，基于反向可达（RR）集合，高效估计影响传播并提供近似保证。
• 采用预算感知采样策略，控制每位广告商的RR集合数量，确保稳定性和可扩展性。
• 在RR集合上使用贪心种子选择过程，并基于由大数定律导出的置信区间设定停止条件。
• 应用阈值机制，确保解决方案在总预算范围内，同时最小化遗憾。

实验结果

研究问题

• RQ1 如何利用社交网络中的病毒式传播来提升社交广告中广告分配的性能？
• RQ2 在考虑病毒式影响和预算约束时，广告分配问题的计算复杂度是什么？
• RQ3 能否设计一种可扩展的算法，在尊重用户注意力限制和广告商预算的前提下，提供关于遗憾的理论保证？
• RQ4 在真实社交网络中，该方法与自然基线相比，在性能、可扩展性和内存使用方面表现如何？

主要发现

• Tirm在遗憾方面显著优于Greedy-Irie及其他基线方法，在相同预算下，影响传播性能最高提升达6倍。
• 在DBLP数据集上，当广告数量从1增加到15时，Tirm的速度比Greedy-Irie快6倍，展现出强大的可扩展性。
• 在LiveJournal数据集上，当预算为50K时，Tirm在75分钟内完成，而Greedy-Ir对超过5个广告的情况在48小时内未能完成。
• Tirm的运行时间几乎随广告商数量线性增长，而Greedy-Irie由于重复进行种子选择，其时间呈超线性增长。
• Tirm的内存使用随广告商数量增加而上升（因需存储RR集合），但在不同预算下仍保持可管理且稳定。
• 即使在低注意力限制（κᵤ=1）条件下，该算法仍能保持高质量解，充分验证其在竞争环境下的性能。