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
Modelling of temporal fluctuation scaling in online news network with independent cascade model
我们发现,在线新闻媒体的活动遵循时间波动标度律,我们使用一个独立的级联模型来恢复这一功能,该模型增加了一个不同的炒作参数,代表了原始文章的病毒潜力。我们使用Event Registry平台追踪2016年期间11个不同主题的10,000多家新闻媒体的活动。分析超过22,000,000篇文章,我们发现波动标度指数$α$以一种特征方式依赖于所有考虑的主题的时间窗口大小$Δ$-新闻媒体活动对于$Δ>15\mathrm{min}$部分同步,对于$Δ=1\mathrm{day}$交叉。该模型在几个合成网络模型以及从真实数据中提取的网络上运行。我们的方法抛弃了时间戳不完全可靠的观测,并专注于共同出现的出版商在级联的类似措辞的新闻项目。我们利用事件注册表的新闻聚类功能,找到新闻媒体发布的内容之间的相关性,以发现共同的信息传播路径在已发布的文章,并估计独立级联模型中的边的权重。虽然独立的级联模型遵循波动标度律与平凡的指数$α=0.5$,我们认为,除了底层的合作网络的拓扑结构的时间聚类的文章具有类似的炒作是必要的定性再现的波动标度中观察到的数据。
2019-01-25 cs.SI physics.soc-ph
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
Network Clocks: Detecting the Temporal Scale of Information Diffusion
信息扩散模型通常假设信息令牌在网络中传播的离散时间轴。由于在现实世界的网络中的用户显着不同的强度和活动周期,我们在这项工作中的目标是回答:如何确定一个时间尺度,最好的同意与观察到的信息传播网络内?现有方法的一个关键限制是它们将时间轴聚合成固定大小的窗口,这可能不适合所有网络节点的活动周期。我们提出了一个异构网络时钟的概念:事件的离散时间戳,最好地解释他们的发生根据一个给定的级联传播模型的映射。我们专注于广泛采用的独立级联(IC)模型和形式化的最佳时钟,最大限度地提高所有观察到的级联的可能性。单最优时钟问题可以在多项式时间内精确求解。然而,我们证明了学习多个最优时钟(KOC),对应于网络节点组的时间模式,是NP-难的。我们提出了可扩展的解决方案,运行在几乎线性的时间在级联激活的总数,并讨论每个变量的近似保证。我们的算法及其检测到的时钟可以改进级联大小分类(高达8%的F1提升)和改进缺失级联数据推断(召回率提高0.15)。我们还表明,网络时钟表现出一致性的内容扩散在网络中的类型,并相对于IC模型的传播概率参数是强大的。
2017-09-12 cs.DS cs.SI
Network Topology Inference Using Information Cascades with Limited Statistical Knowledge
我们研究了从信息级联推断网络拓扑结构的问题,其中信息在网络中的边缘扩散所需的时间遵循未知的分布。与以前的研究不同,这些研究假设了这些分布的知识,我们只要求沿着网络中不同边缘的扩散与有限的矩信息(例如,的手段)。本文引入了图的分离点集的概念,它是指对于图的任意两个不同的顶点,存在一个到它们的距离不同的顶点的顶点集。我们表明,重建一棵树完美地使用顶点对之间的距离信息的必要条件是由所观察到的分离顶点集的大小。然后,我们提出了一个算法来恢复的树结构使用感染时间,其差异有相应的两个顶点之间的距离的手段。为了提高算法的准确性,我们提出了冗余顶点的概念,它允许我们执行平均以更好地估计两个顶点之间的距离。虽然理论主要是为树网络开发的,我们演示了如何将算法扩展到一般的图形。使用合成网络和真实网络的仿真以及使用真实数据的实验表明,我们提出的算法比当前一些最先进的网络重建方法表现得更好。
2019-03-04 cs.SI
Uncovering Non-Normality in Information Flow: Network Structure and Dynamics of Social Media Cascades
Institute of Science Tokyo(东京科学大学);Hirosaki University(弘前大学);University of Aizu(会津大学);The University of Tokyo(东京大学)
本研究通过谱非正态性量化X平台约58,000个级联网络,发现非正态性与峰值集中度强相关,且中期结构预测准确率可超80%,为信息扩散预测提供了新基准。
2026-10-28 cs.SI
Threshold model of cascades in temporal networks
阈值模型试图解释时尚和观点传播等社会影响的后果。与流行病模型一起,它们构成了社会传播过程的主要理论框架。在静态网络的阈值模型中,如果一个个体的邻居中有一小部分人改变了自己的状态,那么这个个体就会改变自己的状态。当接触模式的时间方面存在强相关性时,将系统表示为时间网络是有用的。在这样的系统中,不仅明确地表示接触,而且明确地表示接触的时间。有一个共识,即突发的时间模式减缓疾病的传播。然而,正如我们将看到的,这并不是阈值模型的普遍真理。在这项工作中,我们提出了一个扩展的Watts的经典阈值模型的时间网络。我们这样做是假设一个代理人受到过去某个时间的接触的影响。即,个体受到时间窗口内的接触的影响。除了作为接触分数的阈值之外,我们还调查了时间窗口内的接触数量作为影响的基础。为了阐明模型的行为,我们在真实和随机的经验接触数据集上运行模型。
2012-09-07 cs.SI physics.soc-ph
Reconstructing temporal multi-relational firm networks at scale using large language models. The case of the semiconductor industry
Supply Chain Intelligence Institute Austria (ASCII)(奥地利供应链情报研究所);Complexity Science Hub Vienna(维也纳复杂性科学中心);Medical University of Vienna, Section for Science of Complex Systems, CeMSIIS(维也纳医科大学复杂系统科学系,CeMSIIS);Smith School of Enterprise and Environment, University of Oxford(牛津大学史密斯企业与环境学院);Institute of New Economic Thinking, University of Oxford(牛津大学新经济思维研究所)
本文利用大语言模型和开放网络数据重建半导体行业企业网络,识别供应链、合作关系和所有权链接,揭示2022年芯片短缺期间的网络变化及AI供应链瓶颈企业的中心性变化。
2026-05-15 cs.SI physics.soc-ph
Temporal Cascade Model for Analyzing Spread in Evolving Networks with Disease Monitoring Applications
用于对网络中的传播进行建模的当前方法(例如,疾病的传播)不能充分地捕获数据的时间属性,诸如演变连接的顺序和持续时间或沿着这些连接传播的动态可能性。演化网络中的时间模型在许多需要分析动态传播的应用中至关重要。例如,疾病传播病毒具有不同的传播性,这取决于个体之间的相互作用,这些相互作用随着时间的推移以不同的频率、接近程度和场所人口密度发生。为了捕捉这些行为,我们首先开发了时间独立级联(T-IC)模型,并提出了一种新的传播函数,我们证明是次模块化的,基于超图的采样策略,有效地利用动态传播概率。然后,我们介绍了“反向传播”的概念,使用建议的T-IC过程,并开发解决方案,以确定哨兵/检测器节点和高度敏感的节点。近似质量的可靠保证使高粒度时间网络的可扩展分析成为可能。大量的实验结果表明,在各种现实世界的数据集上,所提出的方法显着优于替代品在建模传播是否发生以及如何发生,通过考虑不断变化的网络拓扑结构,以及粒度接触/交互信息。我们的方法有许多应用,包括其在监测疾病传播这一重大挑战中的实用性。利用所提出的方法和T-IC,我们分析了各种干预策略对真实时空接触网络的影响。我们的方法也被证明是非常有效的量化超级传播者的重要性,设计有针对性的限制,控制传播,和向后接触追踪。
2022-03-28 cs.CE cs.SI
Temporal Scale Estimation for Oversampled Network Cascades: Theory, Algorithms, and Experiment
从在线社交网络的研究到病毒式营销,再到流行病学,图表上的传播过程出现在许多应用领域。已经提出了各种离散时间概率模型的传播过程。这些用于下游统计估计和预测问题,通常涉及与过程引起的感染一起传输的消息或其他信息。因此,重要的是要设计级联观测模型,考虑到在任何给定时间导致工艺状态不确定性的现象。我们强调这样一个现象-时间失真-所造成的不一致的速率之间的观察级联过程中,并在该过程本身的操作速度,并认为,未能纠正它的结果在下游统计任务的性能下降。为了解决这些问题,我们制定的自然失真措施方面的时钟估计问题。我们给出了一个时钟估计算法,我们称之为FastClock,运行在线性时间的大小,其输入和可证明的统计准确的广泛的模型参数时,级联是从独立的级联过程中产生的已知参数,当底层图形是Erdens-Rényi。我们进一步给出经验的结果,我们的算法的性能相比,最先进的估计,通过动态规划实现的似然代理最大化为基础的估计。我们发现,在一个广泛的参数制度,我们的算法大大优于动态规划算法的运行时间和精度。
2021-09-22 cs.SI math.PR stat.ML
Can Cascades be Predicted?
在诸如Facebook和Twitter的许多社交网络网站上,重新共享或重新发布功能允许用户与他们自己的朋友或追随者分享他人的内容。随着内容在用户之间重新共享,可以形成大规模的重新共享。虽然越来越多的研究集中在分析和描述这种级联,但最近的一项平行工作认为,级联的未来轨迹可能本质上是不可预测的。在这项工作中,我们开发了一个框架,解决级联预测问题。在Facebook上的大量照片转发级联样本中,我们发现在预测级联是否会在未来继续增长方面表现出色。我们发现,一个级联的相对增长变得更可预测的,因为我们观察到更多的reshares,时间和结构特征是级联大小的关键预测因子,最初,宽度,而不是在级联的深度是一个更好的指标较大的级联。这种预测性能在多个不同类别的特征都实现类似性能的意义上是鲁棒的。我们还发现,时间特征是预测级联的最终形状。观察相同含量的独立级联,我们发现,虽然这些级联的大小差异很大,但我们仍然能够预测哪一个最大。
2014-03-18 cs.SI physics.soc-ph stat.ML
Leveraging Motifs to Model the Temporal Dynamics of Diffusion Networks
基于社会影响力模型的信息扩散机制主要研究了当活跃邻居向用户暴露消息时采用的可能性。这个问题主要源于这样一个事实,即在大多数情况下,在易感节点被感染之前,社交网络中的一组活跃邻居中谁暴露了谁的明确信息是不可用的。在本文中,我们试图通过研究级联的时间网络结构来理解通过信息级联的扩散过程。在这样做的过程中,我们通过网络修剪技术,利用网络图案,以确定潜在的感染者负责从这些活跃的邻居之间的暴露,适应从一个节点的活跃邻居的曝光的影响。我们试图评估级联动力学建模中使用的组件的有效性,特别是暴露信息的附加效果是否有用。根据这个模型,我们开发了一种推理算法,即InferCut,它使用从模型和暴露信息中学习到的参数来预测给定级联中每个潜在易感用户的实际父结点。通过对真实世界微博社交网络数据集的实证分析,证明了在扩散过程的早期阶段,引入暴露信息对恢复暴露用户的确切父母的重要性。
2020-03-23 cs.SI physics.soc-ph
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
Optimal and heuristic strategies for evaluating the influence of coordinated behavior in information cascades and retweet networks
Uniroma1.it(罗马第一大学);Gunma-u.ac.jp(群马大学)
针对协调性非真实行为在信息扩散中的影响,提出基于动态规划的最优放置算法与基于转发网络的启发式评估框架,在2019年英国大选及多国信息操作数据上验证,揭示协调账户影响的结构性差异。
2026-09-22 cs.CY cs.SI
Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics
针对隐藏独立级联模型下的逆问题,提出基于模拟的摊销估计器SAGE-HC,利用门控图神经网络从症状观测恢复节点级传播参数,在环状图上优于DMP基准。
2026-10-06 cs.LG cs.SI
Modeling self-sustained activity cascades in socio-technical networks
理解并最终预测社交网络中信息和激活级联的出现的能力是复杂社会技术系统研究的核心。然而,社会互动的复杂性使这成为一项具有挑战性的事业。以前的级联模型的工作假设,这种集体现象的出现是在当地附近的个人观察到的活动,但不考虑是什么决定了随时间变化的过程中传播信息的意愿。在这里,我们提出了一个机械模型,占在一个简化的设置中的个人状态的时间演变。我们将个体的活动建模为一个复杂的相互作用的集成和发射振荡器网络。该模型再现了真实系统中级联的统计特性,为研究状态依赖活动情景下级联的时间演化提供了框架。
2013-05-18 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
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
Contrastive Training for Models of Information Cascades
College of Computer and Information Science(计算机与信息科学学院);Northeastern University(东北大学)
本文提出了一种信息级联模型,作为有向生成树(DST)的观察文件。此外,我们提出了一个对比训练过程,利用部分时间排序的节点感染,而不是标记的训练链接。模型和无监督训练的这种组合使得可以改进单独使用感染时间的模型,并利用信息级联中节点和消息文本内容的任意特征。DST模型只有基本的节点和时滞特征,与以前的模型类似,它在无监督训练的情况下实现了与博客网络推理任务的强基线相当的性能。具有额外内容特征的无监督训练可以获得更好的结果,达到完全监督模型的一半精度。
2018-12-11 cs.LG cs.SI stat.ML
Reconstructing parameters of spreading models from partial observations
传播过程通常被建模为发生在给定网络之上的随机动态,其边缘权重对应于传输概率。准确的传输概率的知识是必不可少的预测,优化和控制扩散动力学。不幸的是,在大多数情况下,传输速率是未知的,需要从扩展数据中重建。此外,在现实环境中,不可能在每次都监视每个节点的状态,因此数据非常不完整。我们引入了一个有效的动态消息传递算法,它是能够重建的传播模型的参数,仅提供部分信息的网络中的节点的激活时间。该方法是推广到一大类动态模型,以及时间图的情况下。
2016-08-31 cond-mat.dis-nn cs.SI physics.soc-ph
Inferring the Underlying Structure of Information Cascades
University of California at Santa Barbara(加州大学圣巴巴拉分校)
在社交网络中,信息和影响力在用户之间以级联的方式传播。虽然研究叶栅的重要性已在各种应用中得到承认,但在实践中很难观察叶栅的完整结构。此外,关于如何根据部分观测推断级联,人们所知甚少。本文研究了独立级联模型下的级联推理问题,从复杂度到算法都进行了全面的论述:(a)提出了一致树作为级联推理结构的思想,这些树将源节点和观测节点连接起来,路径满足观测时间信息的约束。(b)我们引入指标来衡量的可能性一致的树推断级联,以及几个优化问题,找到他们。(c)我们表明,一致树的决策问题一般是NP-完全的,优化问题是很难近似的。(d)我们提供的近似算法的推断级联的质量,以及questionistics的性能保证。我们实验验证了我们的推理算法的效率和有效性,使用真实和合成数据。
2012-10-12 cs.AI cs.SI physics.soc-ph
A Variational Topological Neural Model for Cascade-based Diffusion in Networks
Sorbonne Université(巴黎索邦大学);LIP6(巴黎第六大学(LIP6))
在文献中已经提出了许多工作来捕捉网络中的扩散动力学。虽然他们中的一些人定义了图形马尔可夫模型来提取网络中节点感染之间的时间关系,但其他人认为扩散事件是通过递归神经模型的感染序列。在本文中,我们提出了一个模型在这两个极端的十字路口,它嵌入了历史的感染节点的扩散作为隐藏的连续状态。根据内容在到达给定节点之前所遵循的轨迹,影响概率的分布可能会有所不同。然而,内容轨迹通常隐藏在数据中,这会导致具有挑战性的学习问题。我们提出了一个拓扑递归神经模型,具有良好的实验性能的扩散建模和预测。
2018-12-28 cs.LG cs.SI stat.ML
MANCaLog: A Logic for Multi-Attribute Network Cascades (Technical Report)
U.S. Military Academy(美国军事学院);University of Oxford(牛津大学);Naval Postgraduate School(海军研究生院)
在复杂网络形式的多智能体系统中的级联过程的建模,近年来已成为一个重要的研究课题,由于其许多应用:采用商业产品,疾病的传播,思想的传播等,在本文中,我们首先确定了一个必要的七个属性,一个框架建模这样的过程应该满足:表示节点和边的属性的能力、时间的显式表示、表示非马尔可夫时间关系的能力、不确定信息的表示、表示竞争级联的能力、允许非单调扩散以及计算易处理性。然后,我们提出了MANCaLog语言,一种基于逻辑编程,满足所有这些desiderata的形式主义,并专注于算法,寻找最小的模型(从级联的结果可以得到),以及如何这种形式主义可以应用在现实世界中的场景。我们不知道任何其他形式主义的文献,满足所有上述要求。
2013-01-19 cs.AI cs.LO cs.MA