PersonalityGate: A General Plug-and-Play GNN Gate to Enhance Cascade Prediction with Personality Recognition Task
级联预测是从宏观或微观两个方面来估计级联的大小或状态。这对于理解社交网络中的谣言传播和新技术传播等信息扩散过程至关重要。最近，代替提取手工制作的特征或将级联序列嵌入到用于级联预测的特征向量中，引入了图神经网络（GNNs）以利用控制级联效应的网络结构。然而，这些模型没有考虑到社会因素，如人格特质，驱动人类参与信息扩散过程。在这项工作中，我们提出了一种新的多任务框架，用于增强级联预测与个性识别任务。特别地，我们设计了一个通用的即插即用的GNN门，命名为PersonalityGate，耦合到现有的基于GNN的级联预测模型，以提高其有效性，并提取个人的个性特质。在两个真实世界数据集上的实验结果证明了我们提出的框架在增强基于GNN的级联预测模型和预测个人人格特质方面的有效性。
2021-04-29 cs.SI
Ex ante prediction of cascade sizes on networks of agents facing binary outcomes
在本文中，我们考虑了在具有外部性的二元选择模型中对级联规模进行事前预测的可能性（Schelling 1973，Watts 2002）。代理连接在网络上，可以处于两种状态之一，0或1。最初，所有种子都处于状态0，随机选择少量种子切换到状态1。一个简单的阈值规则指定其他代理是否随后切换。级联大小（渗流）是最终切换到状态1的所有代理的比例。我们选择的初始种子的连接，他们连接到代理的连接，这些后者的代理的阈值，和这些连接到代理的阈值的信息。我们得到了随机网络、小世界网络和无标度网络在不同网络参数和初始种子数下的结果。这些因素的结果是稳健的。我们对这些潜在的解释变量进行级联大小的logit变换的最小二乘回归（Hosmer和Lemeshow 1989）。我们发现相当大的解释力的级联规模的事前预测。对于随机网络，平均32%的级联大小的方差的解释，40%的小世界和46%的无标度。连接性变量在回归中几乎没有意义，无论是与种子本身有关还是与种子连接的代理。相反，关于代理人阈值的信息包含更多的解释力。这支持了Watts和Dodds（2007）的猜想。大规模的级联是由一小部分容易受影响的代理人驱动的。
2011-03-17 cs.SI physics.soc-ph
Continuous-Time Graph Learning for Cascade Popularity Prediction
针对级联间相关性及用户偏好、级联语义随时间演化的问题，提出连续时间图学习方法，通过统一交互序列与动态状态更新实现级联流行度预测。
2023-06-06 cs.SI
From Micro to Macro: Uncovering and Predicting Information Cascading Process with Behavioral Dynamics
级联在各种网络环境中普遍存在。如何预测这些级联在几个重要的应用中是非常重要的，例如病毒式营销，流行病预防和交通管理。以往的工作主要集中在预测最终的叶栅尺寸。由于级联是典型的动态过程，因此预测任何时候的级联规模，或预测级联达到一定规模（例如爆发阈值）的时间，总是令人感兴趣和重要的。在本文中，我们将所有这些任务统一为一个基本问题：级联过程预测。也就是说，给定级联的早期阶段，如何预测其任何以后时间的累积级联大小？对于这样一个具有挑战性的问题，如何理解驱动和产生宏观现象（即级联过程）的微观机制是至关重要的。在这里，我们引入行为动力学的微观机制来描述一个节点的邻居被感染后，这个节点被感染的级联（即一跳子级联）的动态过程。通过数据驱动分析，我们发现了行为动力学的共同规律和模式，并提出了一种新的网络威布尔回归模型的行为动力学建模。在此基础上，我们提出了一种新的预测级联过程的方法，有效地聚集行为动力学，并提出了一个可扩展的解决方案，以近似级联过程的理论保证。我们在一个大规模的社交网络数据集上广泛地评估了所提出的方法。结果表明，该方法在级联规模预测、爆发时间预测和级联过程预测等多个任务中的性能均优于其他最先进的基线方法。
2015-05-27 cs.SI physics.soc-ph
Postmortem Analysis of Decayed Online Social Communities: Cascade Pattern Analysis and Prediction
最近，许多在线社交网络，如MySpace，Orkut和Mysterster，都面临着其成员的不活动衰退，这导致了这些网络的崩溃。这种不活跃性衰减的原因、机制和预防机制尚未完全了解。在这项工作中，我们分析了StackExchange平台上的腐烂和活着的子网站。分析主要集中在这些社区的成员之间发生的不活动级联。我们提供的措施，以了解衰变过程和统计分析，以提取模式，伴随着不活跃的衰变。此外，我们使用机器学习预测级联规模和级联病毒式传播。这项工作的结果包括一个统计上的显着差异的衰变模式之间的衰变和活着的子网站。这些模式主要是：级联规模，级联病毒性，级联持续时间和级联相似性。此外，与基线预测因子相比，贡献的预测框架显示出令人满意的预测结果。在实证证据的支持下，本研究的主要发现是：（1）衰减过程不是由一个网络度量控制的，而是由多个度量更好地描述;（2）StackExchange子网站的专家成员主要负责StackExchange子网站的活动或不活动;（3）统计子网站正在经历可能导致其完全衰退的衰退动态;以及（4）衰退的子网站最初不像活跃的子网站那样对不活动衰退具有较低的弹性。
2018-10-10 cs.SI
Information Cascade Prediction under Public Emergencies: A Survey
southeast university（东南大学）；Florida State University（佛罗里达州立大学）
该综述针对突发公共事件信息级联预测因多学科介入导致应用分散、缺乏统一框架的问题，系统分类梳理相关建模、预测与应用研究，总结开放问题与未来方向，为研究者提供参考。
2024-05-16 cs.AI cs.CY cs.SI
Hierarchical Information Enhancement Network for Cascade Prediction in Social Networks
University of Science and Technology of China（中国科学技术大学）；CETC Academy of Electronics and Information Technology Group Co（中国电子科技集团公司电子科学研究院）
针对现有级联预测方法未能利用不同模态间分层语义关联的问题，提出分层信息增强网络HIENet，融合级联序列、社交图和子级联图，有效提升了预测性能。
2024-03-22 cs.AI cs.SI
Explicit Time Embedding Based Cascade Attention Network for Information Popularity Prediction
Soochow University（苏州大学）；Georgia Institute of Technology（佐治亚理工学院）
针对信息级联流行度预测中多类信息未有效统一的问题，提出融合时间嵌入与双注意力编码器的TCAN模型，在两个真实数据集上多项指标优于基线且可解释性好。
2023-08-19 cs.AI cs.IR cs.SI
Tabular Foundation Models for Multi-View Information Cascade Popularity Prediction
Beijing University of Posts and Telecommunications（北京邮电大学）；University of Science and Technology of China（中国科学技术大学）
该研究针对信息级联流行度预测的现有局限，提出双分支设计的TFM4POP框架，结合表格基础模型与神经ODE编码器，通过参数高效微调实现多视图建模，在多数据集上优于现有方法。
2026-08-27 cs.SI
Deep Collaborative Embedding for information cascade prediction
Sichuan University（四川大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
近年来，信息级联预测引起了研究者的极大兴趣，但由于现有工作存在三个方面的缺陷，信息级联预测还远未得到很好的解决。首先，现有的工作往往假设一个潜在的信息扩散模型，这是不切实际的，在现实世界中，由于信息扩散的复杂性。第二，现有的工作往往忽略了传染顺序的预测，而传染顺序在社会网络分析中也起着重要的作用。最后，现有的工作往往依赖于潜在的扩散网络的要求，这在实践中可能是不可观测的。在本文中，我们的目标是预测节点感染和感染顺序，而不需要关于底层扩散机制和扩散网络的知识，其中的挑战是双重的。第一个问题是应该捕获哪些节点的级联特征以及如何捕获这些特征，第二个问题是如何对信息级联中节点的非线性特征进行建模。为了解决这些问题，本文提出了一种新的信息级联预测模型--深度协同嵌入（DCE）模型，该模型不仅能够捕获节点的结构特性，还能够捕获两种节点级联特性。我们提出了一个基于自动编码器的协作嵌入框架来学习级联协作和节点协作的节点嵌入，以这种方式可以有效地捕获信息级联的非线性。在真实数据集上进行的大量实验结果验证了该方法的有效性。
2020-01-18 cs.LG cs.SI
Prediction-Centric Learning of Independent Cascade Dynamics from Partial Observations
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
传播过程在传播网络、信息传播、市场营销和意见设定等建模中发挥着越来越重要的作用。我们解决的扩散模型的学习问题，使得从该模型生成的预测是准确的，并可以随后用于扩散动力学的优化和控制。我们专注于一个具有挑战性的设置，其中动态的完整观察是不可用的，标准的方法，如最大似然很快成为棘手的大型网络实例。我们引入了一种基于可扩展动态消息传递方法的计算高效算法，该算法能够在仅给定网络中节点激活时间的有限信息的情况下学习有效传播模型的参数。流行的独立级联模型被用来说明我们的方法。我们表明，从学习模型中进行的易处理的推断与原始模型相比，可以更好地预测边际概率。我们开发了一个系统的学习混合模型的过程，进一步提高了预测质量。
2021-07-24 cs.LG cs.SI physics.soc-ph
CasGCN: Predicting future cascade growth based on information diffusion graph
Renmin University of China（中国人民大学）；University of Liverpool（利物浦大学）；Loughborough University（拉夫堡大学）
突然爆发的信息级联，可能会导致极端观点、时尚潮流的改变、谣言的不可控传播等意想不到的后果。如何有效地预测未来的级联规模，特别是对于Twitter和微博等社交媒体平台上的大规模级联，已经成为一个重要的问题。然而，现有的方法是不够的，在处理这个具有挑战性的预测问题。传统的方法严重依赖于手工制作的特征或不切实际的假设。端到端的深度学习模型（例如循环神经网络）不适合直接处理图形输入，并且无法处理嵌入在级联图中的结构信息。在本文中，我们提出了一种新的用于级联增长预测的深度学习架构，称为CasGCN，它采用图卷积网络从图形输入中提取结构特征，然后在进行级联大小预测之前对提取的特征和时间信息应用注意力机制。我们在两个真实世界的级联增长预测场景（即，实验结果表明，CasGCN算法的性能优于几种基线算法，尤其是在大规模级联时。
2020-09-10 cs.LG cs.SI
HierCas: Hierarchical Temporal Graph Attention Networks for Popularity Prediction in Information Cascades
Tsinghua University（清华大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出HierCas，通过动态图建模、时间感知节点嵌入、图注意力机制和层次池化结构，在整个级联图上捕捉流行度趋势，有效解决了传统方法泛化性差及采样建模丢失动态信息的问题。
2024-04-27 cs.AI cs.SI
Incomplete Gamma Integrals for Deep Cascade Prediction using Content, Network, and Exogenous Signals
Jadavpur University（贾达普大学）；Adobe（奥多比）
信息级联（如转发）的行为已被广泛建模。虽然基于点过程的生成模型长期以来一直用于估计级联增长，但深度学习极大地增强了多样化特征的集成。我们观察到两个显着的时间信号级联数据，尚未强调或报告给我们的知识。首先，级联根的受欢迎程度会强烈影响级联大小，但这种影响会随着时间的推移而迅速下降。第二，在根内容的新颖性（相对于流外部语料库）和所得到的级联的相对大小之间存在可测量的正相关性。针对这些观察结果，我们提出了GammaCas，这是一种新的级联增长模型，作为时间的参数函数，它结合了来自内容的深度影响信号（例如，推文文本），网络特征（例如，根用户的追随者），以及外生事件源（例如，在线新闻）。具体来说，我们的模型通过定制的循环网络处理这些信号，然后其状态提供级联速率函数的参数，该参数随时间积分以预测级联大小。网络参数使用观察到的级联进行端到端训练。GammaCas在一个大规模的转发级联数据集上的表现明显优于七个最近的不同基线，再加上时间对齐的在线新闻-它击败了最好的基线，在肯德尔的$τ$相关性方面增加了18.98%，平均绝对百分比误差减少了$35.63$。广泛的消融和案例研究发掘有趣的见解关于转推级联动态。
2021-06-13 cs.LG cs.SI
From Leakage to Fidelity: Reliable Benchmarking for Temporal Cascade Prediction
Renmin University of China（中国人民大学）；Alibaba（阿里巴巴）
本文针对信息级联流行度预测中的三个关键问题：时间泄露、数据集特征贫乏和计算效率低下，提出了一种时间有序分割策略、大规模电商级联数据集Taoke以及轻量级框架CasTemp，实现了在四个数据集上的最先进的性能和数量级的速度提升。
2026-09-04 cs.LG cs.SI
From #Jobsearch to #Mask: Improving COVID-19 Cascade Prediction with Spillover Effects
随着COVID-19大流行，社交媒体上的信息爆发并导致信息流行病。预测在线内容的受欢迎程度，即所谓的级联预测，不仅可以提前捕捉值得关注的热门信息，还可以识别将广泛传播的虚假信息，并需要快速响应以减轻其影响。在以前的作品中利用的各种信息扩散模式中，暴露给用户的信息对他们参与扩散某些信息的决定的溢出效应仍然没有研究。在本文中，我们专注于COVID-19预防措施相关信息的传播。通过我们收集的Twitter数据集，我们验证了这种溢出效应的存在。基于这一发现，我们提出了基于图神经网络（GNNs）的三种级联预测方法的扩展。在我们的数据集上进行的实验表明，使用识别出的溢出效应显著改善了最先进的GNNs方法，不仅可以预测预防措施消息的受欢迎程度，还可以预测其他COVID-19相关消息的受欢迎程度。
2021-08-12 cs.CY cs.SI
AutoCas: Autoregressive Cascade Predictor in Social Networks via Large Language Models
University of Science and Technology of China（中国科学技术大学）；East China Normal University（华东师范大学）；Hefei University of Technology（合肥工业大学）
针对信息级联流行度预测，提出LLM增强的AutoCas模型，通过分词、自回归建模和提示学习适配级联数据，显著优于基线并具备扩展能力。
2025-02-25 cs.AI cs.SI
CD-SEIZ: Cognition-Driven SEIZ Compartmental Model for the Prediction of Information Cascades on Twitter
信息传播社交媒体平台已成为无处不在，在我们的生活中，由于病毒式的信息传播，无论其真实性。一些信息级联被证明是病毒式的，因为它们在互联网上迅速传播。操纵或迷失方向的真实信息（假新闻）的不可控制的病毒式传播可能是相当有害的，而真实新闻的传播是有利的，特别是在紧急情况下。我们通过提出一种新的SEIZ（易感/暴露/感染/怀疑）模型变体来解决预测信息级联的问题，该模型通过考虑用户的认知处理深度来优于原始版本。我们将信息级联定义为社交媒体用户对原始内容的反应集，这至少需要最小的身体和认知努力;因此，我们考虑了转发/回复/引用（提及）活动，并在2018年4月1日至2019年4月30日的叙利亚白盔Twitter数据集上测试了我们的框架。在级联模式的预测通过传统的房室模型，所有的活动进行分组，并考虑其总和;然而，隔间之间的转换率应根据活动类型而变化，因为他们的身体和认知努力的要求是不一样的。基于这一假设，我们设计了一个认知驱动的SEIZ（CD-SEIZ）模型来预测Twitter上的信息级联。我们在1000个Twitter级联上测试了SIS、SEIZ和CD-SEIZ模型，发现CD-SEIZ的拟合误差显著较低，并且提供了统计上更准确的估计。
2020-08-28 cs.IT cs.SI math.IT
CCasGNN: Collaborative Cascade Prediction Based on Graph Neural Networks
Southwest University（西南大学）；College of Computer and Information Science（计算机与信息科学学院）
级联预测的目的是对网络中的信息扩散进行建模。以往的方法大多集中于从网络和传播路径中挖掘结构特征或序列特征，最近的努力致力于通过图神经网络和递归神经网络将网络结构和序列特征结合起来。然而，光谱或空间方法的局限性限制了预测性能的提高。此外，递归神经网络是耗时和计算昂贵的，这导致预测的效率低下。在这里，我们提出了一种新的方法CCasGNN考虑个人的个人资料，结构特征，和序列信息。该方法利用GAT和GCN的协作框架，将位置编码叠加到图神经网络的各层中，与现有的所有方法不同，具有良好的性能。在两个真实数据集上进行的实验证实，与最先进的方法相比，我们的方法显着提高了预测精度。更重要的是，烧蚀研究调查了我们的方法中每个组件的贡献。
2021-12-07 cs.LG cs.SI
CasCIFF: A Cross-Domain Information Fusion Framework Tailored for Cascade Prediction in Social Networks
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Chongqing Engineering Research Center of Software Quality Assurance, Testing and Assessment（重庆市软件质量保证与测评工程技术研究中心）；Auckland University of Technology（奥克兰理工大学）
针对现有级联预测方法在用户表示、时序利用和时空整合上的不足，提出跨域信息融合框架CasCIFF，利用多跳邻域和时间戳嵌入，并通过多任务学习统一用户分类与级联预测，提升预测性能。
2023-08-09 cs.LG cs.SI
Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction
University of Science and Technology of China（中国科学技术大学）
网络感知的级联规模预测旨在通过对社交网络中的传播过程建模，预测用户生成信息的最终转发数量。通过社会影响力即状态激活来估计用户的转发概率在信息扩散过程中起着重要作用。因此，图神经网络（GNN）能够模拟节点之间的信息交互，是处理这一预测任务的有效方案。然而，现有的研究，包括基于GNN的模型通常忽略了用户的偏好，深刻影响状态激活的一个重要因素。为此，我们提出了一个新的框架，以促进级联大小预测，通过增强用户偏好建模根据三个阶段，即，偏好话题生成、偏好转移建模和社会影响激活。我们的端到端的方法，使用户激活过程的信息扩散更适应和准确。在两个大规模真实世界数据集上进行的广泛实验清楚地证明了我们提出的模型与最先进的基线相比的有效性。
2022-04-18 cs.AI cs.IR cs.SI
CasSeqGCN: Combining Network Structure and Temporal Sequence to Predict Information Cascades
信息级联研究的一个重要任务是根据信息过去的传播轨迹来预测信息的未来接收者。虽然网络结构是传播的骨干，但如果不了解网络上的动态，就很难做出准确的预测。扩展序列中的时间信息捕获了许多隐藏的特征，但是单独基于序列的预测有其局限性。最近的努力开始探索网络结构和时间特征相结合的可能性。在这里，我们提出了一种新的端到端的预测方法CasSeqGCN，其中的结构和时间特征同时考虑。级联被划分为多个快照，这些快照记录网络拓扑和节点状态。使用图卷积网络（GCN）来学习快照的表示。提出了一种基于动态路由的聚合方法来聚合节点表示，并利用长短期记忆（LSTM）模型来提取时态信息。与其他最先进的基线方法相比，CasSeqGCN更准确地预测了未来的级联大小。烧蚀研究表明，这种改善主要来自于输入层和GCN层的设计。我们明确地设计了一个实验来证明我们的方法学习的级联表示的质量优于其他方法。我们的工作提出了一种新的方法来结合结构和时间特征，这不仅为未来的级联预测研究提供了一个有用的基线模型，而且还为网络上和网络的动态相关的广泛问题带来了新的见解。
2022-03-17 cs.SI
DeepCP: Deep Learning Driven Cascade Prediction Based Autonomous Content Placement in Closed Social Network
Sun Yat-sen University（中山大学）；Tencent Inc.（腾讯公司）
在线社交网络（OSN）正在成为内容级联扩散的最流行的主流平台。为了在OSN中为用户提供令人满意的体验质量（QoE），许多研究致力于通过在开放的社交网络场景（例如，Twitter和微博）。在本文中，我们采取了一个新的方向，即在封闭的社交网络中放置受欢迎程度感知的内容（例如，WeChat Moment），用户的隐私得到了高度增强。我们提出了一种新的数据驱动的整体深度学习框架，即DeepCP，用于联合扩散感知级联预测和自主内容放置，而无需利用用户的个人和社交信息。我们首先设计了一个时间窗LSTM模型，用于内容流行度预测和级联地理分布估计。因此，我们进一步提出了一种新的自主内容放置机制CP-GAN，它采用生成对抗网络（GAN）进行敏捷放置决策，以减少内容访问延迟，提高用户的QoE。我们使用微信矩（WM）中的级联扩散轨迹进行了大量的实验。评估结果证实，所提出的DeepCP框架可以预测的内容流行度与高准确性，以实时的方式生成高效的放置决策，并实现显着的内容访问延迟减少现有的计划。
2020-03-09 cs.LG cs.NI cs.SI
Super-blockers and the effect of network structure on information cascades
对在线社交网络上的信息级联进行建模在从市场营销到内乱预测等领域都很重要，然而底层网络结构强烈影响这种级联的概率和性质。即使是简单的级联动力学，大级联的概率几乎完全取决于网络特性，著名的网络，如Erdos-Renyi和Barabasi-Albert，从同一个模型中产生了截然不同的级联。事实上，“超级传播者”的概念已经出现，用来描述在社交网络中促进全球级联的具有高度影响力的节点。在这里，我们使用一个简单的全球级联模型来表明，在网络中的局部性的存在增加了全球级联的概率，由于连接节点的脆弱性增加。而不是“超级传播者”，我们发现这些高度连接的“超级阻断者”在重尾网络中的存在实际上降低了全球级联的概率，同时促进了信息传播。
2018-03-21 cs.SI physics.data-an physics.soc-ph
MCDAN: a Multi-scale Context-enhanced Dynamic Attention Network for Diffusion Prediction
本文提出多尺度上下文增强动态注意力网络MCDAN，通过融合全局关系、多尺度偏好建模和用户易感性辅助预测，显著提升了信息扩散预测性能。
2023-08-08 cs.SI
A Survey of Information Cascade Analysis: Models, Predictions, and Recent Advances
University of Electronic Science and Technology of China（电子科技大学）；Iowa State University（爱荷华州立大学）；University of Maryland（马里兰大学）
我们日常生活中的数字信息泛滥-从微博和科学论文等用户生成的内容到病毒式营销和广告等在线业务-为探索和利用信息级联演变的轨迹和结构提供了前所未有的机会。学术界和工业界的大量研究工作旨在更好地理解推动信息传播的机制，并量化信息扩散的结果。本文对信息流行度预测方法进行了全面的回顾和分类，从特征工程和随机过程，到图形表示，再到基于深度学习的方法。具体来说，我们首先正式定义不同类型的信息级联，并总结现有的研究的观点。然后，我们提出了一个分类法，将现有的作品分为上述三个主要群体以及每个群体中的主要子类，我们系统地回顾了前沿的研究工作。最后，我们总结了现有的研究工作的优点和缺点，并概述了在这一领域的开放的挑战和机遇。
2021-03-24 cs.IR cs.LG cs.SI
DeepCas: an End-to-end Predictor of Information Cascades
University of Michigan（密歇根大学）
大多数社交网络平台有效促进的信息级联被认为是这些网络中几乎每一次社交成功和灾难的主要因素。可以预测级联吗？虽然许多人认为它们本质上是不可预测的，但最近的研究表明，信息级联的一些关键属性，如大小，增长和形状，可以通过结合许多特征的机器学习算法来预测。这些预测器都依赖于一组手工制作的特征来表示级联网络和全局网络结构。这些特性总是经过精心设计，有时甚至是神秘的设计，不容易扩展或推广到不同的平台或领域。受最近深度学习在多个数据采掘任务中取得成功的启发，我们研究了端到端的深度学习方法是否可以有效地预测级联的未来大小。这种方法自动学习全局网络结构上下文中的各个级联图的表示，而无需手工制作的特征和算法。我们发现，节点嵌入的预测能力不足，它是至关重要的学习表示的级联图作为一个整体。我们提出了以端到端的方式学习级联图表示的算法，该算法显着提高了级联预测在强基线上的性能，包括基于特征的方法，节点嵌入方法和图形内核方法。我们的研究结果也提供了有趣的影响级联预测一般。
2016-11-16 cs.LG cs.SI
Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks
University of South Florida（南佛罗里达大学）
预测动态社会环境中的信息流与当代社会的许多领域相关，从传播医疗保健信息到模因跟踪。虽然预测信息级联的增长已经在不同的社交平台上成功地解决了，但预测信息级联的时间和拓扑结构的探索有限。然而，准确预测有多少用户将发送特定用户的消息以及何时发送对于设计实用的干预技术至关重要。本文利用长短期记忆（LSTM）神经网络技术来预测信息级联的两个时空特性，即个体级信息传输的大小和速度。我们将这些预测算法与级联树的概率生成结合到一个生成测试模型中，该模型能够在Reddit和Github两个不同的平台上准确地生成级联树。我们的方法导致信息传递者的分类准确率超过73%，各种社交平台中的早期传递者的分类准确率为83%。
2020-04-26 cs.LG cs.SI
Improving Information Cascade Modeling by Social Topology and Dual Role User Dependency
Fudan University（复旦大学）
社交网络上的信息扩散（也称为信息级联）由于其在许多领域的应用价值，在过去的十年中得到了大量的研究。近年来，包括递归神经网络模型在内的序列模型被广泛应用于信息级联的预测。然而，顺序模型捕获的级联序列中的用户依赖性通常是单向的，并且与扩散树不一致。例如，后继者的真实触发可以是非直接前导者而不是序列中的直接前导者。为了更充分地捕捉用户依赖关系，实现精确的级联建模，提出了一种非顺序信息级联模型TAN-DRUD（Topology-aware Attention Networks with Dual Role User Dependency）。受经典通信理论的启发，TAN-DRUD通过捕捉信息发送者和接收者的双重角色用户依赖关系，在信息级联建模方面取得了令人满意的性能。此外，TANDRUD将社交拓扑纳入两级注意力网络中，以增强信息扩散预测。我们在三个级联数据集上的大量实验表明，我们的模型不仅优于最先进的级联模型，而且能够利用拓扑信息和推断扩散树。
2022-04-07 cs.LG cs.SI
