Fair Information Spread on Social Networks with Community Structure

要約

ソーシャルネットワークを通じて拡散される情報は至る所に存在します。
影響力最大化 (IM) アルゴリズムは、情報が提供された場合にソーシャル ネットワークを通じて最大の拡散をもたらす個人を特定することを目的としており、主にマーケティングを念頭に置いて開発されています。
コミュニティ構造を持つソーシャル ネットワークは非常に一般的ですが、拡散の最大化のみに焦点を当てた IM アルゴリズムでは、コミュニティ間の情報範囲に重大な格差が生じる可能性があり、これは公衆衛生メッセージングなどの環境では問題となります。
一部の IM アルゴリズムは、ノード属性を使用して情報範囲の格差を是正することを目的としていますが、ネットワーク自体内の経験に基づくコミュニティ構造を使用するものはありません。これは、コミュニティが情報の拡散に直接影響を与えるため、有益である可能性があります。
さらに、経験的なネットワーク構造を使用することにより、コミュニティ検出技術を活用することができ、関連するノード属性が利用できない場合、またはノード属性がネットワーク コミュニティ構造を正確に捕捉できない場合に、公平性を考慮したアルゴリズムを実行することが可能になります。
他の公平な IM アルゴリズムとは対照的に、この作業はモデルをソーシャル ネットワークに適合させることに依存しており、そのモデルは最適な公平な情報拡散のためのシード割り当て戦略を決定するために使用されます。
私たちは、最大エントロピーによって定義される、期待される公平なカバレッジのための最適なシード割り当てを決定するアルゴリズムを開発し、適切な条件下で理論的な保証を提供し、シミュレートされたネットワークと実際のネットワークの両方でその経験的精度を実証します。
このアルゴリズムは、ネットワークに直接依存するのではなく、適合したネットワーク モデルに依存するため、部分的に観測されたノイズの多いソーシャル ネットワークに適しています。

要約(オリジナル)

Information spread through social networks is ubiquitous. Influence maximiza- tion (IM) algorithms aim to identify individuals who will generate the greatest spread through the social network if provided with information, and have been largely devel- oped with marketing in mind. In social networks with community structure, which are very common, IM algorithms focused solely on maximizing spread may yield signifi- cant disparities in information coverage between communities, which is problematic in settings such as public health messaging. While some IM algorithms aim to remedy disparity in information coverage using node attributes, none use the empirical com- munity structure within the network itself, which may be beneficial since communities directly affect the spread of information. Further, the use of empirical network struc- ture allows us to leverage community detection techniques, making it possible to run fair-aware algorithms when there are no relevant node attributes available, or when node attributes do not accurately capture network community structure. In contrast to other fair IM algorithms, this work relies on fitting a model to the social network which is then used to determine a seed allocation strategy for optimal fair information spread. We develop an algorithm to determine optimal seed allocations for expected fair coverage, defined through maximum entropy, provide some theoretical guarantees under appropriate conditions, and demonstrate its empirical accuracy on both simu- lated and real networks. Because this algorithm relies on a fitted network model and not on the network directly, it is well-suited for partially observed and noisy social networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google