Influence Maximization via Graph Neural Bandits

要約

影響最大化 (IM) の研究において、拡散ネットワークのトポロジーに関する知識が限られているユビキタス シナリオを検討します。
私たちは、影響を受ける個別のユーザーの数を最大化することを目的として、複数ラウンドの拡散キャンペーンで IM 問題を設定しました。
私たちの研究では、探索と活用の目的のバランスを効果的にとるバンディット アルゴリズムの機能と、ニューラル ネットワークの表現力を活用して、IM 問題へのニューラル バンディット アルゴリズムの適用を検討しています。
私たちはフレームワーク IM-GNB (Influence Maximization with Graph Neural Bandits) を提案し、ユーザーがインフルエンサー (拡散シードとも呼ばれる) の影響を受ける確率の推定値を提供します。
この初期推定は、活用グラフと探索グラフの両方を構築するための基礎を形成します。
その後、IM-GNB は、グラフ畳み込みネットワーク (GCN) を使用してリアルタイムでシード ノードを選択することにより、探索と活用のトレードオフを処理します。GCN では、事前推定されたグラフが各コンテキスト設定でのインフルエンサーの推定報酬を調整するために使用されます。
2 つの大規模な現実世界のデータセットに対する広範な実験を通じて、他のベースライン手法と比較した IM-GNB の有効性を実証し、基盤となるネットワークが不明な場合に、このような拡散キャンペーンの拡散結果を大幅に改善しました。

要約(オリジナル)

We consider a ubiquitous scenario in the study of Influence Maximization (IM), in which there is limited knowledge about the topology of the diffusion network. We set the IM problem in a multi-round diffusion campaign, aiming to maximize the number of distinct users that are influenced. Leveraging the capability of bandit algorithms to effectively balance the objectives of exploration and exploitation, as well as the expressivity of neural networks, our study explores the application of neural bandit algorithms to the IM problem. We propose the framework IM-GNB (Influence Maximization with Graph Neural Bandits), where we provide an estimate of the users’ probabilities of being influenced by influencers (also known as diffusion seeds). This initial estimate forms the basis for constructing both an exploitation graph and an exploration one. Subsequently, IM-GNB handles the exploration-exploitation tradeoff, by selecting seed nodes in real-time using Graph Convolutional Networks (GCN), in which the pre-estimated graphs are employed to refine the influencers’ estimated rewards in each contextual setting. Through extensive experiments on two large real-world datasets, we demonstrate the effectiveness of IM-GNB compared with other baseline methods, significantly improving the spread outcome of such diffusion campaigns, when the underlying network is unknown.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google