Στρατηγικές "Επιρροής-Εκμετάλλευσης" για Κοινωνικά Δίκτυα

Abstract

Η Κοινωνική Δικτύωση μέσω Ιντερνέτ έχει αποκτήσει κεντρική θέση για την Διαφήμιση και την Εξόρυξη Δεδομένων για εμπορικούς σκοπούς. Εταιρείες Κοινωνικής Δικτύωσης(π.χ. Facebook, Orkut, Google+) διατηρούν λεπτομερή δεδομένα για εκατομμύρια χρήστες, τα οποία τα διαθέτουν σε εταιρείες για να αυξήσουν την διεισδυτικότητα των προϊόντων τους στην αγορά. Τα έσοδα απο διαφημίσεις των δικτύων αυτών αποτελούν την βάση ενός βιώσιμου επιχειρηματικού μοντέλου και χρησιμοποιούνται για να υποστηρίξουν τις τεχνικές υποδομές και να διασφαλίσουν την ποιότητα των υπηρεσιών τους. Ωστόσο, υπάρχει μεγάλη διαφοροποίηση μεταξύ των πραγματικών εσόδων και της εκτιμούμενης αξίας των εταιρειών αυτών. Είναι κοινός τόπος ότι πολλές από τις δυνατότητες των Εταιρειών Κοινωνικών Δικτύων παραμένουν αναξοιοποίητες και η πεποίθηση αυτή έχει συνοδευτεί από εντατικές ερευνητικές προσπάθειες για την Εμπορευματοποίηση των Δεδομένων από Κοινωνικά Δίκτυα. Στόχος της διπλωματικής εργασίας είναι η κατανόηση και επέκταση των τεχνικών για την αξιοποίηση της γνώσης του ιστού των κοινωνικών σχέσεων και των μεταξύ τους αλληλεπιδράσεων. Πραγματοποιείται ανασκόπηση της βιβλιογραφίας και επικεντρωνόμαστε σε δύο σημαντικά και στενά σχετιζόμενα προβλήματα, στο πρόβλημα Μεγιστοποίησης της Επιρροής[Kempe, Kleinberg, Tardos'03] και στο πρόβλημα της Μεγιστοποίησης των Εσόδων[Hartline, Mirrokni, Sundararajan, '08]. Το πρόβλημα Μεγιστοποίησης της Επιρροής πραγματεύεται περιπτώσεις όπου άνθρωποι καλούνται να πάρουν μια δυαδική απόφαση(αγοράσουν ένα προϊόν, ψηφίσουν ένα υποψήφιο, υιοθετήσουν μια καινούργια τεχνολογία) και ζητειται το βέλτιστο αρχικό σύνολο ανθρώπων δεδομένου μεγέθους που μέσω της επιρροής τους θα οδηγήσουν στην μέγιστη δυνατή διάδοση. Το πρόβλημα της Μεγιστοποίησης των Εσόδων αφορά την σχεδίαση στρατηγικών πώλησης προϊόντων, των οποίων η αξία για κάθε αγοραστή αυξάνει ανάλογα με το ποιοί γνωστοί του ήδη το κατέχουν, εκμεταλλευόμενοι την γνώση του κοινωνικού ιστού. Εστιάζουμε την προσοχή μας σε μια κλάση στρατηγικών ``Επιρροής και Εκμετάλλευσης"(ΕΕ), όπου ένα αρχικό σύνολο ανθρώπων έχουν ευνοϊκή μεταχείρηση(δωρεάν δείγματα, χρηματικά ανταλλάγματα) ώστε να κερδίσουμε την επιρροή τους στο δίκτυο και οι υπόλοιποι αντιμετωπίζονται με τρόπο ώστε να πετύχουμε τον στόχο μας(υψηλότερα έσοδα, μεγαλύτερη αποδοχή).

Η τεχνικής συνεισφορά της διπλωματικής εργασίας αφορά το Πρόβλημα Μεγιστοποίησης Εσόδων υπό το Ομοιόμορφο Αθροιστικό Μοντέλο[Hartline et al.'08]. Αρχικά αποδεικνύουμε ότι το πρόβλημα είναι \textlatin{NP}-Δύσκολο ακόμη και όταν το δίκτυο δεν είναι κατευθυνόμενο, χρησιμοποιώντας μια αναγωγή από το πρόβλημα Monotone One-in-Three SAT. Στην συνέχεια πραγαματοποιούμε μια συστηματική διερεύνηση των αλγοριθμικών ιδιοτήτων των στρατηγικών ``Επιρροής-Εκμετάλλευσης". Αποδεικνύουμε ότι το πρόβλημα σχεδιασμού της Βέλτιστης στρατηγικής ``ΕΕ" είναι NP-Δύσκολο και παρέχουμε ένα κάτω φράγμα για τον λόγο των εσόδων απο μια τέτοια στρατηγική και των μέγιστων δυνατών εσόδων. Επιπρόσθετα, επεκτείνουμε και βελτιώνουμε την απλή στρατηγική ``ΕΕ" των Hartline et al., βελτιώνοντας κατα λίγο τον λόγο προσέγγισης του προβλήματος. Η κύρια συνεισφορά έγκειται στην σχεδίαση στρατηγικών ``ΕΕ" βασιζόμενοι σε Ημιορισμένες Μεθόδους Χαλάρωσης Ακέραιων Προγραμμάτων και η ακόλουθη σημαντική βελτίωση που επιτυγχάνεται στον λόγο προσέγγισης της βέλτιστης λύσης. Τέλος, προτείνουμε μια οικογένεια στρατηγικών Τοπικής Αναζήτησης για την βελτίωση μιας οποιαδήποτε λύσης καθώς και Ευριστικές Μεθόδους βασιζμένες σε Ιδιοδιανύσματα για την συσχέτιση της θέσης ενός ατόμου στο δίκτυο και την τιμή που θα του προσφέρουμε.

The importance of online social networks in advertising and market research is by now indubitable. Social networks provide detailed and broad information for millions of users and companies have been using this information to increase market penetration of their products. Social network companies use the revenue exerted by advertisements to sustain the costs involved in maintaining their servers and quality of service, as well as to provide the basis of a sustainable business model. However, there is a large discrepancy between the perceived value of Social Networks and the actual revenue they generate.The widespread belief is that much of the potential of Social Networks remains unexploited. This premise has spurred a large amount of research in the direction of mon- etizing Social Networks.

In this thesis, we are concerned with utilizing the information about the structure and strength of social ties in order to achieve certain objectives. We review previous approaches and focus on two important and closely related problems, that of Infuence Maximization [Kempe, Kleinberg, Tardos'03] and Revenue Maximization[Hartline, Mirrokni, Sundararajan, '08]. The Influence Maximization Problem considers situations where a binary decision is made about adopting or not an innovation(product,technology,behaviour) and seeks for the best seed of initial adopters that achieve overall maximum spread by interacting with their social contacts. On the other hand, the Revenue Maximization Problem aims at exploiting positive network effects between buyers about the value of a product to devise a marketing strategy that maximizes the revenue. We focus an a class of strategies called Influence and Exploit, where a set of individuals is treated preferentially(free product, monetary incentives) in order to "seed" the network(Influence) and then the remaining individuals are exploited(full price, no incentives) to achieve the objective(higher revenue, wider adoption).

The technical contribution of this thesis concerns the Revenue Maximization Problem under the Uniform Additive Model[Hartline et al.'08]. We initially prove that the problem remains NP-Hard even for the undirected case via a reduction from Monotone One-in-Three SAT. Then, we embark a systematic study of the algorithmic properties of Influence and Exploit strategies. We prove that finding the Optimal Influence and Exploit strategy is NP-Hard and provide lower bounds on the ratio between the revenue extracted from an optimal IE strategy and the optimal revenue in general. Furthermore, we slightly extend and optimize the simple IE strategies proposed by Hartline et. al obtaining a first improvement of the approximation ratio of the problem. Our main technical contribution lies in developing powerful Semidefinite Programming Relaxations for designing IE strategies and the corresponding signi ficant improvement on the approximation ratio for the problem. Finally, we propose a class of Local Search strategies to improve on an given solution and introduce intelligent heuristics based on Eigenvector Centrality correlating explicitly network position and the price to be offered to each buyer.