다단계 정보 확산을 위한 두 단계 시드 선택 최적화

초록

본 논문은 독립 전파 모델(Independent Cascade) 하에서 예산 제한이 있는 경우, 시드 노드를 여러 단계에 걸쳐 선택·활성화함으로써 전체 확산 효과를 극대화하는 방법을 제시한다. 두 단계 확산을 위한 목표 함수 g(S₁)를 정의하고, 그 성질을 분석한 뒤, 그리디 기반 휴리스틱과 교차 엔트로피(FACE) 알고리즘을 활용한 실험을 통해 단일 단계 대비 5~10% 정도의 영향력 향상을 확인한다. 또한 예산 분할 비율과 지연 시간 d의 최적 선택에 대한 가이드라인을 제공한다.

상세 분석

논문은 먼저 독립 전파(IC) 모델을 기반으로 두 단계 확산 문제를 수학적으로 정식화한다. 초기 시드 집합 S₁을 크기 k₁으로 선택하고, 지연 d 후에 관측된 확산 상태 Y(이미 영향을 받은 집합 A_Y와 최근에 영향을 받은 집합 R_Y)를 이용해 두 번째 시드 집합 S₂를 크기 k₂로 추가한다. 목표 함수 g(S₁)=∑_X p(X)·σ_X(S₁∪S_O(X,S₁,d,k₂))는 모든 실현 라이브 그래프 X에 대해 기대 확산량을 계산한다. 여기서 S_O는 Y에 기반한 최적 두 번째 시드 집합이다. g는 k₂와 d가 고정될 때 비음수·단조 증가하지만, 일반적인 경우에는 서브모듈러도 아니고 슈퍼모듈러도 아니다. 따라서 전통적인 그리디 알고리즘의 1‑1/e 근사 보장은 적용되지 않는다. 그러나 실험적으로 대부분의 경우에 감소하는 한계효용(디미니싱 마진) 특성이 관찰되어, 서브모듈러와 유사하게 동작한다는 점을 확인한다.

정확한 S_O를 구하는 것이 계산적으로 비현실적이므로, 저자는 근사 함수 f(S₁)=∑_X p(X)·σ_X(S₁∪S_G(X,S₁,d,k₂))를 정의한다. 여기서 S_G는 그리디 알고리즘으로 얻은 k₂개의 노드이며, f는 g에 대해 (1‑1/e)·(1‑ε) 근사 보장을 제공한다(ε는 Monte‑Carlo 시뮬레이션 횟수에 의존). 그리디가 확장성에 한계가 있자, 저자는 더 가벼운 휴리스틱 h(S₁)=∑_X p(X)·σ_X(S₁∪S_W(X,S₁,d,k₂))를 제안한다. S_W는 일반화된 차수 할인(GDD) 전략에 의해 선택되며, 각 단계에서 현재까지 선택된 시드의 인-이웃과 아웃-이웃을 고려해 가중치를 부여한다. 실험 결과 h는 f와 거의 동일한 순위 관계를 유지하고, 특히 FACE와 같은 확률적 최적화 기법에서 비율 기반 업데이트에 적합함을 보인다.

알고리즘 1은 두 단계 일반 프레임워크를 제시한다. 첫 단계에서는 임의의 단일 단계 알고리즘 A(그리디, PMIA, FACE 등)를 사용해 k₁개의 시드를 선택하고, 시간 d까지 전파를 진행한다. 두 번째 단계에서는 관측된 A_Y를 그래프에서 제거하고, R_Y를 부분 시드로 간주한 뒤, 동일한 알고리즘 A를 적용해 k₂개의 추가 시드를 선택한다. 두 가지 특수 경우—‘예언적’(F₁=h, F₂=σ)와 ‘주관적’(F₁=σ, F₂=σ)—를 통해 목표 함수 선택이 결과에 미치는 영향을 분석한다.

실험에서는 Les Miserables와 High Energy Physics‑Theory 네트워크를 대상으로 가중치 감소(δ)와 지연 d를 다양하게 설정했다. δ=1(시간에 무관한 경우)에서는 최적 지연이 D(전파 종료 시점)이며, k₁≈k₂인 균등 예산 분할이 최고 성능을 보였다. 반면 δ<1(시간 가중치가 감소)에서는 짧은 지연과 첫 단계에 예산을 집중하는 것이 유리했다. 전반적으로 두 단계 전략은 단일 단계 대비 5~10%의 영향력 증가를 달성했으며, 특히 금전적 이익이나 장기 고객 확보가 중요한 시나리오에서 의미 있는 개선을 제공한다. 마지막으로, 시간 제약이 엄격한 경우 단일 단계, 중간 정도이면 짧은 지연과 첫 단계 예산 집중, 제약이 없으면 긴 지연과 균등 예산을 권장한다.