Predicting Cascade Failures in Interdependent Urban Infrastructure Networks
Tsinghua University（清华大学）；Keio University（庆应义塾大学）
针对相互依赖城市基础设施网络中的级联失效预测问题，提出I3模型，利用双重GAE和异构图捕捉基础设施内外动态，显著提升了失效预测和级联量预测性能。
2025-02-26 cs.AI cs.SI physics.soc-ph
TiDeH: Time-Dependent Hawkes Process for Predicting Retweet Dynamics
在线社交网络服务允许其用户以文本、图像或视频的形式发布内容。推动内容传播的主要机制是用户重新分享其社交关系发布的内容的可能性，然后这些内容可能会在整个系统中级联。研究信息级联的一个基本问题是，能否建立可靠的数学模型，其参数可根据经验数据加以校准，以便预测一段时间的观测之后级联的未来走向。在本文中，我们专注于Twitter，特别是对原始推文的转发活动的时间模式。我们采用时间依赖霍克斯过程（Time-Dependent Hawkes Process，TiDeH）对系统进行建模，该模型充分考虑了用户的昼夜节律和信息的老化。预测模型的输入是观察到的转发次数和关于底层社交网络的结构信息。我们开发了一个程序参数优化和预测未来的配置文件的转推活动在不同的时间分辨率。我们验证了我们的方法在一个大型语料库的Twitter数据，并证明其系统的改进，在所有的时间制度，现有的方法。
2016-03-31 cs.SI physics.soc-ph
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
SEISMIC: A Self-Exciting Point Process Model for Predicting Tweet Popularity
社交网站允许用户创建和共享内容。当这些网站的用户与他们的朋友和追随者分享别人的帖子时，就会形成大量的信息分享。理解这种级联行为的核心挑战之一是预测信息爆发，其中单个帖子通过被许多用户重新共享而变得广泛流行。在本文中，我们专注于预测一个给定的职位的最终reshare数。我们建立在自激点过程理论的基础上，开发了一个统计模型，使我们能够做出准确的预测。我们的模型不需要训练或昂贵的特征工程。它产生了一个简单而有效的可计算公式，使我们能够实时回答问题，例如：考虑到目前为止的帖子重新共享历史，我们目前对其最终重新共享数量的估计是多少？后再分享级联是否已经过了爆炸性增长的初始阶段？那么，哪些岗位在未来会被最多人分享呢？我们使用一个月的完整Twitter数据验证了我们的模型，并证明了现有方法在预测准确性方面的显著提高。我们的模型在观察一个小时后预测平均信息级联的最终大小时，只有15%的相对误差。
2015-06-08 cs.SI physics.soc-ph stat.AP
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
Physics-Informed Neural Network with Adaptive Clustering Learning Mechanism for Information Popularity Prediction
National Innovative Institute of Defense Technology, Academy of Military Science（国防科技创新研究院，军事科学院）；Capital Normal University（首都师范大学）；School of Information Science and Technology, Dalian Maritime University（大连海事大学信息科学与技术学院）；Silesian University of Technology (SUT)（西里西亚理工大学）；University of Alberta（阿尔伯塔大学）；Constructor University（Constructor大学）；Research Center of Performance and Productivity Analysis, Istinye University（绩效与生产力分析研究中心，Istinye大学）
本文提出PIACN模型，通过物理引导方法建模信息传播的宏观模式，并利用自适应聚类学习机制考虑信息异质性，有效提升信息流行度预测性能。
2026-03-20 cs.AI cs.SI
Cascade Size Distributions: Why They Matter and How to Compute Them Efficiently
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；Harvard Medical School（哈佛医学院）
级联模型是理解、预测和控制流行病传播和信息传播的核心。相关的优化，包括影响力最大化、模型参数推断或疫苗接种策略的开发，在很大程度上依赖于从模型中采样。这要么是低效的，要么是不准确的。作为替代方案，我们提出了一个有效的消息传递算法，计算加权有向网络和推广的独立级联模型的级联大小的概率分布。我们的方法是精确的树，但可以应用于任何网络拓扑结构。它很好地近似了局部树状网络，可以扩展到大型网络，并且可以在更密集的网络上获得令人惊讶的良好性能，因为我们也可以在真实世界的数据上进行扩展。
2020-12-16 cs.AI cs.SI physics.soc-ph
Neural Diffusion Model for Microscopic Cascade Prediction
信息扩散或级联的预测在过去的十年中引起了人们的广泛关注。大多数叶栅预测工作的目标是预测叶栅级的宏观性质，如叶栅的最终尺寸。现有的微观级联预测模型专注于用户级建模，要么对用户如何被级联感染做出强有力的假设，要么将自己限制在明确标记“谁感染了谁”信息的特定场景中。强假设过度简化了复杂的扩散机制，并阻止这些模型更好地拟合真实世界的级联数据。此外，专注于特定场景的方法不能推广到扩散图未被观察到的一般设置。为了克服以往工作的不足，我们提出了一个神经扩散模型（NDM）的一般微观级联预测。NDM进行了宽松的假设，并采用了深度学习技术，包括注意力机制和卷积网络进行级联建模。这两个优点使我们的模型能够超越以前方法的局限性，更好地拟合扩散数据，并推广到看不见的级联。在四个真实级联数据集上的扩散预测任务的实验结果表明，我们的模型在F1得分方面相对于最佳性能基线可以实现高达26%的相对改善。
2018-12-21 cs.SI physics.soc-ph
Infectivity Enhances Prediction of Viral Cascades in Twitter
传染动力学模型最初是为传染病而开发的，现已被证明与在线社会系统中的信息、新闻和政治观点的研究相关。病毒传播过程的建模和预测是网络科学研究的重要课题。然而，许多关于信息级联的研究忽略了不同信息之间的感染性差异。在这里，我们采用在线级联的早期观察来估计不同信息的传染性。使用模拟和数据从现实世界的Twitter转发，我们证明，这些估计的传染性可以用来提高预测的病毒式的信息级联。开发我们的模拟来模仿现实世界的数据，我们考虑有限的有效时间的级联传输的效果，并证明了一个简单的模型，缓慢但不可忽略的衰减的传染性捕获的基本属性的转发分布。这些结果表明，推文的内在感染力与其扩散的复杂网络环境之间存在相互作用，强烈影响成为病毒级联的可能性。
2018-09-11 cs.SI physics.soc-ph
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
Learning Information Spread in Content Networks
Sorbonne Universites, UPMC Univ Paris 06（索邦大学，巴黎第六大学（UPMC））；CNRS（法国国家科学研究中心）
我们介绍了一个模型来预测社交媒体上的内容信息的扩散。当传播通常是离散的图形结构建模，我们在这里引入一个连续的扩散模型，在扩散级联中的节点被投影到一个潜在的空间，其属性，在这个空间中的接近反映了时间扩散过程。我们专注于一个初始的初始信息源的污染用户的预测任务，并提供了不同的数据集上的初步结果。
2014-02-02 cs.LG cs.SI physics.soc-ph
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
A Comparison of Methods for Cascade Prediction
信息级联存在于互联网上各种各样的平台。一个非常重要的现实问题是确定哪些信息级联可以像病毒一样传播。解决这一问题的系统可用于各种应用，包括公共卫生、营销和反恐。作为一个级联可以被认为是社会网络和时间序列的复合。然而，在相关文献中，提出了解决级联预测问题的方法，实验设置往往仅限于一个单一的指标为一个特定的问题制定。此外，很少注意到这些方法的运行时间。在本文中，我们首先制定的级联预测问题的分类和回归。然后比较了基于中心性、基于特征和基于点过程的级联预测方法。我们进行了比较，通过评估的方法的准确性指标和运行时间。结果表明，基于特征的方法在预测精度方面优于其他方法，但开销很大，特别是对于大数据集。而基于点过程的方法在模型不能很好地适应数据时也会遇到运行时间长的问题。本文试图解决的问题，以允许系统的开发人员为社会网络分析，以选择最合适的方法来预测病毒的信息级联。
2016-06-18 cs.SI physics.soc-ph
Toward Order-of-Magnitude Cascade Prediction
当一条信息（微博、照片、视频、链接等）当一个社交网络开始传播时，一个重要的问题出现了：它是否会传播到“病毒式”的比例--“病毒式”的定义是数量级的增长。然而，以前的几项研究已经确定，级联的大小和频率是通过幂律相关的-这导致了严重的不平衡，在这个分类问题。在本文中，我们设计了一套基于“结构多样性”的测量方法--参与特定级联的个人所处的各种社会环境（社区）。我们证明这些措施能够区分病毒和非病毒级联，尽管这个问题的数据严重不平衡。此外，我们利用这些测量值作为分类方法中的特征，成功地预测了从50到500次转发的微博，其精确度为0.69，病毒类的召回率为0.52-尽管此类样本不到2%。这明显优于我们的基线方法以及当前的最先进的。我们的工作也展示了我们如何在准确率和召回率之间进行权衡。
2015-08-13 cs.SI physics.soc-ph
Understanding and forecasting lifecycle events in information cascades
大多数社交网站允许用户重新分享用户发布的信息。随着时间的推移，重新共享的级联增长，最终在一定时间段后饱和。虽然以前的研究主要集中在级联现象的一个方面，特别是预测级联何时会病毒式传播，但在本文中，我们通过分析级联生命周期中两个事件的发生采取了一种更全面的方法-最大增长期在重新共享方面的激增和级联开始下降的时期。我们解决的挑战，在确定这些时期，然后进行比较分析，这些时期的网络拓扑结构的角度。我们研究了几个节点为中心的结构措施的影响，使用格兰杰因果关系，这有助于我们量化的网络措施的意义，并了解在何种程度上网络拓扑结构的增长动力学的影响。该评估是在从微博社交网络中提取的7407个级联的数据集上进行的。使用我们的因果关系框架，我们发现，基于节点度的熵测度因果地影响了93.95%的级联中这些事件的发生。令人惊讶的是，这优于聚类系数和PageRank，我们假设这将更能反映基于早期研究的增长动态。我们还扩展了格兰杰因果向量自回归（VAR）模型预测事件发生在级联生命周期的时间。
2020-03-23 cs.SI physics.soc-ph
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
Toward Early and Order-of-Magnitude Cascade Prediction in Social Networks
当一条信息（微博、照片、视频、链接等）当社交网络开始传播时，一个重要的问题出现了：它是否会传播到病毒式的比例-其中病毒式可以定义为数量级的增长。然而，以前的几项研究已经确定，级联的大小和频率是通过幂律相关的-这导致了严重的不平衡，在这个分类问题。在本文中，我们设计了一套基于结构多样性的测量方法-各种社会背景（社区）中，参与给定级联的个人参与。我们证明这些措施能够区分病毒和非病毒级联，尽管这个问题的数据严重不平衡。此外，我们利用这些测量值作为分类方法中的特征，成功地预测了从50到500次转发的微博，其精确度为0.69，病毒类的召回率为0.52-尽管此类样本不到2%。这显著优于我们的基线方法以及当前最先进的方法。我们还表明，这种方法在识别观察60分钟的级联是否会增长到500次转发方面也表现良好，并演示了我们如何在精度和召回率之间进行权衡。
2016-08-08 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
RA-ICM: A Novel Independent Cascade Model Incorporating User Relationships and Attitudes
针对现有信息传播模型忽略非相邻用户关系与用户态度的问题，提出融合两类因素的RA-ICM模型，经6个真实微博数据集验证，其预测精度更高、时间复杂度更低，更贴合真实传播规律。
2024-03-11 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
The Opacity Problem in Social Contagion
时尚、产品采用、暴民、谣言、迷因和新兴规范是各种各样的社会传染，它们被建模为网络级联。这些级联的实证研究是脆弱的，我们所描述的“不透明问题”：无法观察到的临界水平的同伴影响所需的触发个人的行为变化。即使有最大的信息，网络级联揭示的间隔，约束临界水平的同行曝光，而不是临界值本身。现有的实践使用区间最大值，系统地高估了行为改变所需的社会影响。仿真结果表明，高估可能是常见的，在幅度大。一项针对320万Twitter用户的标签级联的实证研究证实了这一点：五分之一的标签采用由于不透明问题而遭受临界值不确定性。不同的假设，这些时间间隔导致定性不同的结论的作用，同伴强化扩散。我们介绍了一种解决方案，结合确定紧密有界的区间预测不确定的临界值，使用节点级信息。
2018-11-19 cs.SI 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
Modeling Information Cascades with Self-exciting Processes via Generalized Epidemic Models
流行病模型和自激过程是用于描述在线和离线扩散现象的两种模型。这些模型最初是在不同的科学界开发的，它们的共性尚未得到充分探索。这项工作建立了，第一次，两个模型类之间的一般连接通过三个新的数学组件。第一部分是具有任意恢复时间分布的随机SIR模型的推广;第二部分是自激过程的（潜在的和任意的）恢复时间分布、恢复危险函数和感染核之间的关系;第三部分是广义过程的模拟、拟合、评价和预测方法。在三个大的Twitter扩散数据集上，我们进行了拟合优度测试和保持对数似然估计的自激过程与三个感染核-指数，幂律和Tsallis Q指数。我们表明，感染内核的建模性能随扩散的时间结构而变化，也随用户行为而变化，例如成为机器人的可能性。我们通过组合两个通过拟合优度测试确定为互补的模型来进一步改进流行度的预测。
2020-01-27 cs.SI physics.soc-ph
Predicting Cascading Failures with a Hyperparametric Diffusion Model
University of Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；National University of Singapore（新加坡国立大学）；Eindhoven University of Technology（埃因霍温理工大学）；Nanyang Technological University（南洋理工大学）；University of British Columbia（不列颠哥伦比亚大学）
提出融合物理概念与超参数IC模型的马尔可夫局部随机扩散模型，从连锁故障轨迹中学习传播权重，以预测未见电网配置中的故障扩散并指导加固决策。
2024-06-12 cs.LG cs.SI
Inf-VAE: A Variational Autoencoder Framework to Integrate Homophily and Influence in Diffusion Prediction
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
近年来，人们对理解和预测社交媒体平台（如Twitter、Facebook等）上的信息传播产生了极大的兴趣。现有的扩散预测方法主要是通过将扩散级联投射到当地的社交社区上来利用受影响用户的顺序。然而，这未能捕获在任何级联中没有显式表现的全局社会结构，导致具有有限历史活动的非活跃用户的性能较差。在本文中，我们提出了一种新的变分自编码器框架（Inf-VAE），通过保持邻近度的社会和位置编码的时间潜变量来联合嵌入同质性和影响。为了对社会同质性进行建模，Inf-VAE利用强大的图神经网络架构来学习有选择地利用用户的社会联系的社会变量。给定一系列种子用户激活，Inf-VAE使用一种新的表达性共同关注融合网络，该网络共同关注他们的社交和时间变量，以预测所有受影响用户的集合。我们在多个真实世界社交网络数据集上的实验结果，包括Digg，微博和Stack-Exchange，证明了Inf-VAE在最先进的扩散预测模型上的显着收益（22%MAP@10）;我们为具有稀疏活动的用户以及在种子集中缺乏直接社交邻居的用户实现了巨大的收益。
2020-01-01 cs.LG cs.SI
Cascades towards noise-induced transitions on networks revealed using information flows
本文提出发起节点和稳定节点两种角色，通过信息流分析揭示噪声诱导级联转变的机制，并展示如何通过干预控制复杂网络中的系统性临界转变。
2024-09-01 cs.SI physics.soc-ph
Revisiting Information Cascades in Online Social Networks
Ben Gurion University of the Negev（内盖夫本-古里安大学）
本文重新审视在线社交网络中的信息级联，提出从仅学习用户条件概率的贪心算法到卷积神经网络等多种预测方法，在2020年Twitter四个数据集上验证，最佳平均F1达0.86。
2022-08-01 cs.DS cs.LG cs.SI
Predicting the popularity of information on social platforms without underlying network structure
本研究基于微信和微博数据，提出激活-衰减（AD）算法，仅凭早期转发量即可准确预测社交平台信息长期流行度，并发现峰值转发量与总传播量强相关，优于现有基线方法。
2023-06-21 cs.SI physics.soc-ph
Modeling Trend Dynamics with Variational Neural ODEs for Information Popularity Prediction
Northwestern Polytechnical University（西北工业大学）
VNOIP通过变分神经ODEs建模信息流行度趋势，结合注意力机制和知识蒸馏损失，提升预测准确性和效率。
2026-03-10 cs.SI
Feature Driven and Point Process Approaches for Popularity Prediction
预测流行度或信息爆发的总量是理解网络中集体行为的重要子问题。最近解决这个问题的两种主要方法，特征驱动模型和生成模型，都有理想的品质和明显的局限性。本文通过一种新的混合方法和一种新的性能基准来弥合这些解决方案之间的差距。我们用一个标记的Hawkes自激点过程对每个社交级联进行建模，并估计内容的病毒性、记忆衰退和用户影响力。然后，我们使用级联历史的集合来学习用于流行度预测的预测层。令我们惊讶的是，具有预测覆盖的Hawkes过程在现有推文数据上的表现优于最近的特征驱动和生成方法[43]以及新闻推文的新公共基准。我们还发现，一组基本的用户特征和事件时间汇总统计数据在分类和回归任务中都具有竞争力，并且向特征集中添加点过程信息进一步提高了预测。根据这些观察，我们认为，未来的流行度预测工作应该在分类和回归任务中比较特征驱动和生成建模方法。
2016-08-29 cs.SI physics.soc-ph
Forecasting the Growth of Social Media Information Cascades: Towards Human-in-the-Loop Misinformation Triage
The Overlake School（奥弗克学校）；Stanford University（斯坦福大学）
针对虚假信息分流，提出基于前30分钟传播树预测后续增长的方法，结合回复模式与证据检索，构建人机协同审核系统以提升识别效率。
2026-10-07 cs.CL cs.SI
DiVA: A Scalable, Interactive and Customizable Visual Analytics Platform for Information Diffusion on Large Networks
随着数字平台在我们生活中的日益普及，研究人员对研究似乎正在迅速发展的社交互动的不同方面产生了浓厚的兴趣。分析信息的传播（又名扩散）带来了多个研究领域，如建模用户参与，确定新兴主题，预测在线帖子的病毒式传播和预测信息级联。尽管这种不断增加的兴趣，仍然存在一个真空之间的易于使用的界面，大规模可视化的扩散模型。在本文中，我们介绍了DiVA -扩散可视化和分析，一个工具，提供了一个可扩展的Web界面和可扩展的API来分析网络上的各种扩散趋势。DiVA独特地支持同时比较两个相互竞争的扩散模型，甚至与地面实况结果进行比较，这两者都有助于对现实世界的场景进行连贯的理解。除了对DiVA与公开的信息扩散Web界面进行详尽的功能比较和系统评估外，我们还进行了用户研究，以了解DiVA的优势和局限性。我们注意到，评估人员拥有无缝的用户体验，特别是在分析大型网络上的扩散时。
2022-08-21 cs.SI
RAT: Retrieval-Augmented Transformer for Click-Through Rate Prediction
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）；Research Center of Artificial Intelligence, Peng Cheng Laboratory（鹏城实验室人工智能研究中心）
本文提出检索增强Transformer（RAT），通过检索相似样本构建增强输入，并利用级联注意力同时建模样本内与跨样本特征交互，在保持效率的同时提升CTR预测性能，尤其在长尾场景中表现优越。
2024-04-05 cs.AI cs.IR cs.LG
Detecting Popular Social Events through Limited Observation with Deep Survival Analysis
Sharif University of Technology（谢里夫理工大学）
研究通过深度生存分析方法，利用有限早期数据预测社交网络中的流行趋势，提升推荐系统和数字营销决策能力。
2026-05-12 cs.SI
