Influence Propagation and Maximization for Heterogeneous Social Networks

前言

2012在WWWC发表的文章，算是异质信息网络影响力最大化最早的文章之一。其中提取关系序列的做法和之后的元路径方法非常相似。

https://dl.acm.org/doi/epdf/10.1145/2187980.2188126

文章内容

摘要

Influence propagation and maximization is a well-studied problem in social network mining. However, most of the previous works focus only on homogeneous social networks where nodes and links are of single type. This work aims at defining information propagation for heterogeneous social networks (containing multiple types of nodes and links). We propose to consider the individual behaviors of persons to model the influence propagation. Person nodes possess different influence probabilities to activate their friends according to their interaction behaviors. The proposed model consists of two stages. First, based on the heterogeneous social network, we create a human-based influence graph where nodes are of human-type and links carry weights that represent how special the target node is to the source node. Second, we propose two entropy-based heuristics to identify the disseminators in the influence graph to maximize the influence spread. Experimental results show promising results for the proposed method.
影响力传播和最大化是社交网络挖掘中一个研究得很好的问题。然而，以前的大多数作品只关注同质社交网络，其中节点和链接是单一类型的。这项工作旨在定义异构社交网络（包含多种类型的节点和链接）的信息传播。我们建议考虑人的个体行为来模拟影响传播。人物节点根据其互动行为具有不同的影响概率来激活其朋友。所提出的模型由两个阶段组成。首先，基于异构社交网络，我们创建了一个基于人类的影响图，其中节点是人类类型的，链接具有表示目标节点对源节点的特殊程度的权重。其次，我们提出了两种基于熵的启发式方法来识别影响图中的传播者，以最大化影响传播。实验结果表明，该方法具有良好的效果。

本文的工作

作者考虑了人类类型节点之间的关系行为，以模拟异质社交网络中的影响传播。

将异构网络转换为概率影响图，其中节点只包含人的类型，边上的权重是通过使用目标节点与源节点之间的高阶关系（即，两个人通过一个或多个关系链接）计算目标节点对源节点的规律性而导出的概率。
此外，将人类互动分为规则行为和罕见行为：

• 规则行为：将影响传播给互动频繁的人
• 罕见行为：激活特殊的朋友

基于人与人之间的高阶关系来捕捉互动行为，从而通过计算关系类型序列的相对频率来确定人与人的影响概率，根据选择哪种行为。

利用建模的影响力图，我们提出了两种基于熵的启发式方法，通过影响力最大化来寻找传播者。

Preliminary

• 异质社交网络，$H=(V_H,E_H,L)$是有向标签图，其中$V_H$表示节点集合，$L$表示关系标签，$E_H\subseteq V_H\times L\times V_H$是边集。用三元组的形式表示边$<source,label,target>$， t y p e ( E ) → { { l 1 , … , l j } , l i ∈ L , j ≥ 1 } type(E)\to \{\{l_1, \dots, l_j\}, l_i\in L, j\geq 1\} type(E)→{{l1​,…,lj​},li​∈L,j≥1}将每条边$e_H$映射到它的一组类型化标签上。逆边集合$E^{-1}$是所有边的逆三元组$(v,l_i^{-1},u)$。
• 影响图$G=(V,E,W)$是双向的，$V$是节点集合，$E$是边集合，$W$是权重函数，将有向边映射到影响概率$p(u\to v)\in [0,1]$。
• 提供了两种行为选项，“REGU"和"RARE”，规律行为和特殊行为。
• 使用独立级联模型。

Problem Statement

1. 给定一个异构社交网络$H$，一个局部领域范围$r$，行为选项 O P ∈ { " R E G U " , " R A R E " } OP\in\{"REGU","RARE"\} OP∈{"REGU","RARE"}，将$H$变为影响图$G=(V,E,W)$
2. 给定影响力图$G$，预算$k$，找到一组k个的节点作为传播者，使得独立级联模型使影响传播最大化。

提出的方法

分为两步：

• 基于行为的影响建模。
• 基于熵的节点选择。

基于行为的影响建模

将异构图中的影响力传播分为两部分：

• 根据一个人与另一个人的关系互动，生成他们之间的影响概率。
  利用每个人类节点附近的关系结构来建模其个人行为，首先为每个人类节点$v$提取$r$步邻居的子图$H_v^{\prime }$。对于子图中的每个人类节点，找到最短路径$path(v,u)$，并提取路径的关系序列$rs=<l_1,\cdots ,l_d>$，其中$l_i(i=1,\cdots ,d)$是沿着$path(v,u)$的关系标签，$d=|path(v,u)|$。对于每个节点$v$，都能提取到关系序列集合$R{S}_v$。将所有人类节点添加到影响图，当且仅当两个节点之间最短路径小于r，建立连边。

• 构建包含人类类型的节点影响图。
  根据指定的行为选项OP和提取关系序列RS，计算影响图G中概率$p(v\to u)$。计算子图$H_v^{\prime }$中每个$rs$出现的次数$N_v(rs)$。基于行为选项OP，计算每个$rs\in R{S}_v$的贡献值，以捕获$v$执行$rs$的重要性。
  
  对于“REGU”行为，节点激活经常互动的邻居的概率更高；对于“RARE”行为，节点倾向于激活有特殊意义的朋友。

基于熵的节点选择

• 第一种方法利用节点传出边上概率权重的熵值。具有较高熵值的那些被选择为种子。
• 第二中方法entropy discount。如果一个活跃节点v成功激活邻居u，对于u的熵就不考虑边$(u\to v)$。entropy discount是在影响传播过程中每次激活非活动节点时执行的。
  

实验结果

数据集：UCIKDD，39212个节点，84145条边，20种节点（11种表示人类），44种边类型。

结论

我们建议考虑每个人的个人行为，以对异构网络中的影响传播进行建模。基于给定的正常或特殊行为选项，我们将影响概率计算为人与人之间的权重，并导出建模的影响图。此外，我们提出了两种基于熵的启发式方法来选择种子节点作为影响图中的传播者。在真实世界电影数据上的实验结果表明了该方法的有效性。