GNN-Based Candidate Node Predictor for Influence Maximization in Temporal Graphs
Created by
Haebom
저자
Priyanka Gautam, Balasubramaniam Natarajan, Sai Munikoti, S M Ferdous, Mahantesh Halappanavar
개요
본 논문은 사회적 미디어 상에서 빠르게 변화하는 네트워크 내의 영향력 있는 노드를 효과적으로 식별하는 새로운 학습 기반 접근 방식을 제안합니다. 기존의 영향력 극대화 전략의 한계를 극복하기 위해, 그래프 신경망(GNN)과 양방향 장단기 메모리(BiLSTM) 모델을 통합한 하이브리드 프레임워크를 제시합니다. 이 프레임워크는 네트워크의 구조적 및 시간적 역동성을 모두 포착하여 시드 집합 선택을 위한 후보 노드를 정확하게 예측합니다. BiLSTM의 양방향 특성을 통해 과거와 미래 네트워크 상태의 패턴을 분석하여 시간에 따른 변화에 적응할 수 있습니다. 각 시간 스냅샷에서 그래프의 진화에 동적으로 적응함으로써 시드 집합 계산 효율성을 향상시키고 다양한 네트워크에서 잠재적 시드 노드를 90%의 평균 정확도로 예측합니다. 이는 시드 선택을 위해 평가되는 노드 수를 최적화하여 계산 오버헤드를 크게 줄입니다. 본 방법은 시간적 역동성을 이해하는 것이 중요한 바이럴 마케팅 및 소셜 네트워크 분석과 같은 분야에서 특히 효과적입니다.
시사점, 한계점
•
시사점:
◦
GNN과 BiLSTM을 통합하여 동적 네트워크에서 영향력 있는 노드를 효과적으로 식별하는 새로운 방법 제시.
◦
시간적 역동성을 고려하여 시드 집합 선택의 정확도와 효율성 향상 (평균 90% 정확도 달성).
