폐쇄형 소셜 네트워크에서 이익 최대화: 제한 확산 모델과 효율적 알고리즘

초록

본 논문은 각 노드가 최대 ℓ개의 이웃에게만 정보를 전파할 수 있는 폐쇄형 소셜 네트워크에서, 예산 B 이하의 비용으로 시드 노드를 선택해 전체 이익을 극대화하는 PMCSN 문제를 정의한다. 근사 샘플링 방법과 한계 이득 기반 휴리스틱 두 가지 해결책을 제시하고, 이론적 복잡도 분석과 실험을 통해 기존 베이스라인보다 높은 수익을 달성함을 보인다.

상세 분석

PMCSN 문제는 전통적인 인플루언스 최대화 문제를 일반화한 형태로, 노드당 전파 가능한 링크 수를 ℓ로 제한함으로써 실제 메신저나 폐쇄형 커뮤니티에서 발생하는 제한적 확산 현상을 모델링한다. 논문은 먼저 폐쇄형 네트워크를 기존 그래프 G(V,E,P)에서 각 정점의 아웃디그리를 ℓ 이하로 제한한 확산 네트워크 GD(V,E′)로 정의하고, 독립 전파 모델(IC)을 기반으로 기대 이익 β(S)을 계산한다. 비용 함수 C와 이익 함수 b를 도입해 시드 집합 S의 순이익 ϕ(S)=β(S)−C(S)를 최적화 목표로 설정한다.

제안된 두 알고리즘은 다음과 같다. ① 샘플링 기반 근사 알고리즘은 가능한 확산 네트워크의 전체 집합 α(G)에서 일정 수 x의 샘플을 무작위로 선택하고, 각 샘플에 대해 최적 시드 집합 SG를 구해 ϕ(G)값을 평가한다. 시간 복잡도는 O(BC_min·(m+n)·x)이며, 메모리 요구량은 온라인 샘플링 시 O(m+n), 오프라인 샘플링 시 O(x·(m+n))이다. 표본 크기 x에 대한 이론적 경계는 Hoeffding 부등식을 이용해 ε,δ 파라미터에 따라 ln(2/δ)/(2ε²ρ²) 로 제시한다. ② 한계 이득 기반 휴리스틱은 먼저 ℓ개의 고차수 이웃을 선택해 확산 네트워크를 구축하고, 남은 예산 내에서 비용 대비 marginal influence gain이 가장 큰 노드를 반복적으로 추가한다. 이 과정은 O(n²·(m+n)·log(1/ε)) 시간과 O(n²) 공간을 소모한다.

실험에서는 공개된 실세계 소셜 네트워크 데이터를 이용해 두 알고리즘을 기존 인플루언스 최대화 베이스라인(예: CELF, IMM)과 비교하였다. 결과는 특히 ℓ가 작고 예산이 제한된 상황에서 제안 방법이 더 높은 순이익을 달성함을 보여준다. 또한 샘플링 기반 방법은 이론적 근사 보장을 제공하지만 실행 시간이 오래 걸리는 반면, 휴리스틱은 빠른 실행 속도와 실용적인 성능을 제공한다는 트레이드오프를 확인하였다.

전반적으로 논문은 폐쇄형 네트워크라는 새로운 제약을 도입함으로써 기존 연구와 차별화된 문제 설정을 제시하고, 두 가지 상호 보완적인 해결책을 통해 이론적·실험적 타당성을 확보하였다. 다만, ℓ와 B에 대한 민감도 분석이 부족하고, 확산 네트워크 생성 과정에서의 최적 ℓ-링크 선택이 휴리스틱에 크게 의존한다는 점은 향후 연구 과제로 남는다.