Maximizing the Spread of Influence through a Social Network

Transkript

1 1 / 26 Maximizing the Spread of Influence through a Social Network / Thomas Wener TU-Darmstadt Seminar aus Data und Web Mining bei Prof. Fürnkranz

2 2 / 26 Gliederung Einleitung 1 Einleitung

3 3 / 26 Einleitung Einleitung Soziales Netzwerk besteht aus: Personen Beziehungen untereinander Einflüsse sind: Ideen, Innovationen

4 3 / 26 Einleitung Einleitung Soziales Netzwerk besteht aus: Personen Beziehungen untereinander Einflüsse sind: Ideen, Innovationen

5 3 / 26 Einleitung Einleitung Soziales Netzwerk besteht aus: Personen Beziehungen untereinander Einflüsse sind: Ideen, Innovationen

6 Beispiele für Einflüsse: 4 / 26 In bestimmten Gruppen: Benutzung von Handys Verschreiben bestimmter Medikamente Aufkommen politischer Strömungen Folge von Mundpropaganda oder viralem Marketing

7 Beispiele für Einflüsse: 4 / 26 In bestimmten Gruppen: Benutzung von Handys Verschreiben bestimmter Medikamente Aufkommen politischer Strömungen Folge von Mundpropaganda oder viralem Marketing

8 Maximierung des Einflusses? 5 / 26 Maximierung des Einflusses: Welche Personen muss man für sich gewinnen, um maximalen Einfluss zu erreichen?

9 Soziales Netzwerk als Graph 6 / 26 Repräsentation als gerichteter Graph: Knoten = Individuen Kanten = Beziehungen untereinander Knoten sind dabei entweder: aktiv (d.h. sie wurden beeinflusst und beeinflussen nun auch andere) oder inaktiv

10 Soziales Netzwerk als Graph 6 / 26 Repräsentation als gerichteter Graph: Knoten = Individuen Kanten = Beziehungen untereinander Knoten sind dabei entweder: aktiv (d.h. sie wurden beeinflusst und beeinflussen nun auch andere) oder inaktiv

11 Grundproblem 7 / 26 Grundproblem der Maximierung des Einflusses: Gesucht sind k Knoten die den größten Einfluss haben! maximiere σ(a) (d.h. Anzahl der insgesamt aktivierten Knoten) A ist Menge der k Knoten

12 Linear Threshold Model 8 / 26 Modell: Linear Threshold Model w aktiver Nachbar von v b v,w θ v Knoten v wird aktiviert, wenn die Summe der Gewichte der Nachbarn den eigenen Schwellwert überschreitet. b v,w Gewicht θ v Schwellwert in [0,1]

13 Independent Cascade Model 9 / 26 Modell: Independent Cascade Model p v,w Wahrscheinlichkeit, dass Knoten v seinen Nachbarknoten w aktiviert der Reihe nach werden alle inaktiven Nachbarn mit p v,w aktiviert pro Nachbar ist dabei nur EIN Versuch der Aktivierung erlaubt

14 Independent Cascade Model 9 / 26 Modell: Independent Cascade Model p v,w Wahrscheinlichkeit, dass Knoten v seinen Nachbarknoten w aktiviert der Reihe nach werden alle inaktiven Nachbarn mit p v,w aktiviert pro Nachbar ist dabei nur EIN Versuch der Aktivierung erlaubt

15 Independent Cascade Model 9 / 26 Modell: Independent Cascade Model p v,w Wahrscheinlichkeit, dass Knoten v seinen Nachbarknoten w aktiviert der Reihe nach werden alle inaktiven Nachbarn mit p v,w aktiviert pro Nachbar ist dabei nur EIN Versuch der Aktivierung erlaubt

16 Algorithmus zur Einflussmaximierung 10 / 26 Optimierungsproblem ist NP-schwer durch Algorithmus ist deshalb lediglich eine Approximation möglich gewählter Algorithmus: Greedy-Hill-Climbing

17 Exkurs: Submodulare Funktion 11 / 26 eine Funktion ist submodular, wenn sie diminishing returns (abnehmender Grenzertrag) erfüllt: d.h. sie ist monoton steigend jedes zusätzliche Element bewirkt einen abnehmenden Ertrag Formal: f (S v f (S) f (T v) f (T ) für alle v und S T

18 Exkurs: Submodulare Funktion 11 / 26 eine Funktion ist submodular, wenn sie diminishing returns (abnehmender Grenzertrag) erfüllt: d.h. sie ist monoton steigend jedes zusätzliche Element bewirkt einen abnehmenden Ertrag Formal: f (S v f (S) f (T v) f (T ) für alle v und S T

19 Approximation durch Greedy-Algorithmus 12 / 26 Theorem: Funktion f(s) ist S S nicht-negativ monoton submodular. k Elemente gefunden mit Greedy-Hill-Climbing Algorithmus k Elemente mit max. Wert für f(s) Dann gilt: f (S) (1 1/e) f (S ) bzw. S liefert mindestens eine (1-1/e)-Annäherung (1/1-e) = 63%, e: Basis von log

20 Approximation durch Greedy-Algorithmus 12 / 26 Theorem: Funktion f(s) ist S S nicht-negativ monoton submodular. k Elemente gefunden mit Greedy-Hill-Climbing Algorithmus k Elemente mit max. Wert für f(s) Dann gilt: f (S) (1 1/e) f (S ) bzw. S liefert mindestens eine (1-1/e)-Annäherung (1/1-e) = 63%, e: Basis von log

21 Einflussfunktion 13 / 26 Die Einflussfunktionen σ(a) von Linear Threshold Model Independent Cascade Model sind submodular und NP-schwer.

22 Verwendete Algorithmen 14 / 26 Greedy-Hill-Climbing Algorithmus jeweils den Knoten mit max. Gewinn hinzufügen High-degree jeweils den Knoten mit höchstem Kantengrad hinzufügen Distance centrality jeweils den Knoten mit kürzester Distanz hinzufügen random jeweils einen zufällig gewählten Knoten hinzufügen

23 Verwendete Daten 15 / 26 Ko-Autorenschaft wissenschaftl. Paper aus arxiv.org pro Paper ein Knoten je Autorenpaar/Paper eine Kante Knoten, Kanten

24 Verwendete Daten 15 / 26 Ko-Autorenschaft wissenschaftl. Paper aus arxiv.org pro Paper ein Knoten je Autorenpaar/Paper eine Kante Knoten, Kanten

25 Verwendete Daten 15 / 26 Ko-Autorenschaft wissenschaftl. Paper aus arxiv.org pro Paper ein Knoten je Autorenpaar/Paper eine Kante Knoten, Kanten

26 Ergebnisse 1/4: Linear Threshold Model 16 / 26

27 Ergebnisse 2/4: Weighted Cascade Model 17 / 26

28 Ergebnisse 3/4: Independent Cascade Model (mit 1% Wahrscheinlichkeit) 18 / 26

29 Ergebnisse 4/4: Independent Cascade Model (mit 10% Wahrscheinlichkeit) 19 / 26

30 Verallgemeinerungen 20 / 26 Linear Threshold Modell: willkürliche, monotone Funktion (threshold function) statt b w,v w aktiver Nachbar von v Independent Cascade Modell: ansteigende Funktion p v (u, S) [0, 1] Wahrscheinlichkeit zur Aktivierung von v durch u ist nun abhängig von den bereits aktiven Nachbarn von v beide Modelle sind äquivalent und ihre Einflussfunktionen sind NICHT submodular

31 Das Triggering Modell 21 / 26 für jeden Knoten v wird ein Triggering Set T v gewählt, welches aktiv wird, wenn v selbst aktiviert wird. In jeder Instanz des Triggering Modells ist die Einflussfunktion σ(a) submodular.

32 22 / 26 bisher betrachtet: progressive Prozesse: Knoten werden lediglich aktiviert nicht-progressiv bedeutet: bereits aktiver Knoten kann wieder inaktiv werden

33 22 / 26 bisher betrachtet: progressive Prozesse: Knoten werden lediglich aktiviert nicht-progressiv bedeutet: bereits aktiver Knoten kann wieder inaktiv werden

34 22 / 26 bisher betrachtet: progressive Prozesse: Knoten werden lediglich aktiviert nicht-progressiv bedeutet: bereits aktiver Knoten kann wieder inaktiv werden

35 23 / 26 analog zu progressiven Modell: Es wird ein Graph G τ (mit τ V Knoten) betrachtet. τ = Anzahl der Schritte in jedem Schritt wählt jeder Knoten einen neuen Wert θ (t) v mit einem Random-Wert aus [0,1] Knoten v wird aktiv, wenn f v (S) θ (t) v

36 general marketing -Strategien 24 / 26 Ansatz: Budget in versch. Marketingmaßnahmen investieren Marketingstrategie lässt sich in einem Vektor x darstellen Wahrscheinlichkeit, dass Knoten v aktiviert wird: (h v (x)) h v (x) ist nicht fallend und erfüllt die diminishing returns -Eigenschaft für alle x y und a 0: h v (x + a) h v (x) h v (y + a) h v (y) intuitiv: jede Marketingaktion ist dann effektiver, wenn das Ziel weniger marketing-gesättigt ist

37 general marketing -Strategien 24 / 26 Ansatz: Budget in versch. Marketingmaßnahmen investieren Marketingstrategie lässt sich in einem Vektor x darstellen Wahrscheinlichkeit, dass Knoten v aktiviert wird: (h v (x)) h v (x) ist nicht fallend und erfüllt die diminishing returns -Eigenschaft für alle x y und a 0: h v (x + a) h v (x) h v (y + a) h v (y) intuitiv: jede Marketingaktion ist dann effektiver, wenn das Ziel weniger marketing-gesättigt ist

38 general marketing -Strategien 24 / 26 Ansatz: Budget in versch. Marketingmaßnahmen investieren Marketingstrategie lässt sich in einem Vektor x darstellen Wahrscheinlichkeit, dass Knoten v aktiviert wird: (h v (x)) h v (x) ist nicht fallend und erfüllt die diminishing returns -Eigenschaft für alle x y und a 0: h v (x + a) h v (x) h v (y + a) h v (y) intuitiv: jede Marketingaktion ist dann effektiver, wenn das Ziel weniger marketing-gesättigt ist

39 25 / 26 Einleitung Einfluss auf ein soziales Netzwerk kann mit Hilfe geeigneter Algorithmen und Techniken stark gesteigert werden. Es handelt sich dabei um eine Annäherung an das Optimum - die Qualität des Ergebnisses ist deshalb nicht absolut, sondern nur relativ bestimmbar. Der Greedy-Hill-Climbing Algorithmus berücksichtigt nicht nur die Struktur des Netzwerks.

40 26 / 26 Vielen Dank für die Aufmerksamkeit!