LBCIM: Loyalty Based Competitive Influence Maximization with epsilon-greedy MCTS strategy

要約

競争的影響力の最大化は数年前から研究されており、競争環境下での情報拡散の様々な側面をモデル化する様々なフレームワークが提案されている。本研究では、ソーシャルネットワークにおける忠誠心を表現し、相手がより良い提案をしたときに完全に忠誠を尽くさないという態度を反映した、いくつかの新しい特徴を持つ、2つの競合政党のための新しいゲームボードを提示する。このような行動は、ほとんどの政治的な場面で観察され、各政党は相手より良い提案をすることで人々を惹きつけようとし、さらには野党のファンに印象を与えて彼らの考えを変えさせようとすることがある。ゲームフレームワークの各ステップで最良の手を特定するために、改良型モンテカルロ木探索を開発した。この木探索では、いくつかの事前定義されたヒューリスティックをアルゴリズムのシミュレーションステップに適用し、それらを利用して、現在の状態の子ノードを探索し、ランダムに選ぶのではなく、イプシロン-グリーディ法を用いて最良のものを選択する。合成データセットと実データセットでの実験結果は、一般的なMCTS、アルファベータプルーニングを用いたminimaxアルゴリズム、ランダムノード、最大閾値を持つノード、最小閾値を持つノードなどの有名なベンチマーク戦略に対して、提案戦略が優れていることを示した。

要約(オリジナル)

Competitive influence maximization has been studied for several years, and various frameworks have been proposed to model different aspects of information diffusion under the competitive environment. This work presents a new gameboard for two competing parties with some new features representing loyalty in social networks and reflecting the attitude of not completely being loyal to a party when the opponent offers better suggestions. This behavior can be observed in most political occasions where each party tries to attract people by making better suggestions than the opponent and even seeks to impress the fans of the opposition party to change their minds. In order to identify the best move in each step of the game framework, an improved Monte Carlo tree search is developed, which uses some predefined heuristics to apply them on the simulation step of the algorithm and takes advantage of them to search among child nodes of the current state and pick the best one using an epsilon-greedy way instead of choosing them at random. Experimental results on synthetic and real datasets indicate the outperforming of the proposed strategy against some well-known and benchmark strategies like general MCTS, minimax algorithm with alpha-beta pruning, random nodes, nodes with maximum threshold and nodes with minimum threshold.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL