Un nouveau modèle de maximisation de l’influence

Si vous étiez propriétaire d’une entreprise nouvellement créée, vous vous concentriez probablement sur le renforcement de la notoriété de la marque pour toucher autant de personnes que possible. Mais comment faire cela avec des contraintes budgétaires?

Ces jours-ci, les entreprises se sont tournées vers un groupe restreint de personnes actives sur les plates-formes de médias sociaux comme moyen rentable de stimuler leurs efforts promotionnels. Aussi appelés «influenceurs», ils ont la capacité d’influencer les opinions ou les décisions d’achat des autres.

La société concentrerait ensuite ses efforts sur l’influence des influenceurs, en espérant qu’à leur tour, les informations sur leurs produits soient diffusées au plus grand nombre possible de personnes via les réseaux de médias sociaux de ces influenceurs.

Ce processus, appelé «maximisation de l’influence», est bien étudié dans les réseaux sociaux et en informatique. Le plus souvent, on aspire à ne choisir qu’un petit nombre (appelons cela k) d’influenceurs, pour des raisons budgétaires.

Les questions importantes auxquelles il faut répondre seraient alors; comment les entreprises choisissent-elles ces k influenceurs? Comment pourraient-ils, à leur tour, modéliser leur comportement? Chacun d’eux influence-t-il ses contacts de manière indépendante ou leurs comportements sont-ils liés d’une manière ou d’une autre? Quelles sont les implications informatiques?

Traditionnellement, un modèle populaire de maximisation de l’influence a été le modèle en cascade indépendant dans lequel l’hypothèse est que tous les membres du réseau influencent leurs contacts indépendamment des autres.

Cependant, il pourrait y avoir des corrélations cachées dans leur comportement qui ne sont pas immédiatement évidentes.

Dans une étude menée par une équipe de chercheurs de l’Université de technologie et de design de Singapour (SUTD), ils ont calculé les k meilleurs influenceurs, en supposant que les corrélations entre le comportement des membres du réseau sont les plus préjudiciables à l’intérêt de l’entreprise. Ainsi, le modèle supposé est de nature contradictoire.

L’équipe a montré qu’un tel modèle présente des avantages de calcul par rapport à un modèle en cascade indépendant. Ils ont également effectué une comparaison de l’ensemble d’agents germes choisis par leur modèle par rapport à l’ensemble choisi par le modèle en cascade indépendant.

Leurs travaux de recherche ont également fourni un aperçu de leurs résultats à partir d’un exemple de réseau (voir image).

«À l’avenir, il sera important d’évaluer et d’améliorer la robustesse des réseaux face aux attaques contradictoires dans divers domaines. Ce travail fournit des modèles utiles, exploitables par ordinateur, qui peuvent être utilisés par les praticiens, les agences et les entreprises dans de telles configurations», a déclaré le professeur Karthik Natarajan, chercheur principal. de SUTD.

Ce travail ‘Correlation Robust Influence Maximization’ a été présenté à NeurIPS 2020.