딥러닝 기반 소셜 네트워크 이익 극대화

초록

본 논문은 전통적인 확산 모델에 의존하지 않고, 그래프 신경망(GCN)과 자동인코더를 결합한 딥러닝 프레임워크인 DeepPM을 제안한다. 제한된 예산 하에서 선택 비용과 기대 이익을 고려해 시드 노드를 선정함으로써, 실제 확산 과정에서 얻는 순이익을 최대화한다. 실험 결과, 기존 휴리스틱·근사 알고리즘보다 높은 이익을 달성함을 보인다.

상세 분석

DeepPM은 두 단계의 교사‑학생 학습 구조를 도입한다. 교사 모델은 독립적 전파(Independent Cascade, IC) 시뮬레이션을 여러 번 수행해 각 노드의 활성화 확률 p_i(x)를 추정한다. 여기서 x는 예산 제약을 만족하는 이진 시드 마스크이며, 교사는 이 마스크에 대한 실제 활성화 결과 y를 베르누이 표본으로 생성한다. 학생 모델은 그래프 신경망(GCN) 기반의 서브시스템으로, 입력으로 그래프의 정규화 인접 행렬 Â와 시드 마스크 x를 받아 각 노드의 활성화 확률 ˆp_i(x)를 출력한다. 서브시스템은 두 번의 ˆA 전파와 ReLU·선형 변환(W1, W2) 후 시그모이드 함수를 적용해 확률을 추정한다. 학습 목표는 교사의 라벨 y와 학생의 예측 ˆp 사이의 평균 이진 교차 엔트로피(BCE)를 최소화하는 것이며, 충분한 데이터와 모델 용량을 확보하면 ˆp_i(x)≈p_i(x)로 수렴한다.

이후 DeepPM은 자동인코더(AutoEncoder)를 활용해 시드 마스크의 저차원 잠재 표현 z를 학습한다. 인코더 enc는 이진 시드 마스크 x를 압축해 z∈ℝ^Z 로 변환하고, 디코더 dec는 z를 다시 연속형 시드 벡터 ˜x=σ(dec(z)) 로 복원한다. 복원 손실 역시 BCE 형태이며, 인코더‑디코더와 GCN 서브시스템을 공동 최적화한다. 이렇게 하면 디코더가 생성하는 ˜x는 실제 데이터에서 관찰된 시드 패턴을 반영하면서도, 연속형 형태라 미분이 가능해 최적화에 적합해진다.

이익 함수는 기대 이익 bᵀˆp(x)와 선택 비용 cᵀx의 차이로 정의되며, 예산 초과에 대한 페널티 µ·