Identifying Stable Influencers: Distinguishing Stable and Temporal Influencers Using Long-Term Twitter Data
University of Tsukuba(筑波大学)
本研究利用长期推特数据,通过分析用户的历史和当前影响力,开发模型区分稳定与临时影响者,提升社交媒体营销效果。
2025-12-19 cs.SI
Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution
Cornell University(康奈尔大学)
这项研究提出了一种新的深度学习方法,称为GATv 2-GCN,用于预测运动员的运动表现。为了构建一个动态的玩家交互图,我们利用玩家统计数据和他们在游戏过程中的交互。我们使用一个图形注意力网络来捕捉每个玩家对彼此的注意力,从而更准确地建模动态玩家交互。为了处理多变量玩家统计时间序列,我们引入了一个时间卷积层,它为模型提供了时间预测能力。我们使用真实世界的体育数据来评估我们的模型的性能,证明了它在预测球员表现方面的有效性。此外,我们探索了我们的模型在体育博彩环境中的潜在用途,为利用我们的预测能力的盈利策略提供了见解。所提出的方法有可能推进最先进的球员表现预测,并为体育分析和博彩行业提供有价值的见解。
2023-03-29 cs.LG cs.SI
Temporal Neighbourhood Aggregation: Predicting Future Links in Temporal Graphs via Recurrent Variational Graph Convolutions
图形已经成为一种重要的方式来表示跨各种科学学科的大型,复杂且通常是时态的数据集。然而,当图被用作机器学习模型的输入时,这种丰富的时间信息在学习过程中经常被忽视,导致在某些时间推理任务上的次优性能。为了解决这个问题,我们引入了时间邻域聚合(TNA),一种新的顶点表示模型架构,旨在捕获拓扑和时间信息,直接预测未来的图形状态。我们的模型利用图中不同深度的分层递归来探索时间邻域的变化,同时不需要额外的特征或标签。最终的顶点表示是使用变分采样创建的,并经过优化以直接预测序列中的下一个图。通过对真实和合成基准数据集进行广泛的实验评估,我们的主张得到了加强,与竞争方法相比,我们的方法表现出更优越的性能,在真实世界数据集上预测新的时间边缘时,性能超过它们多达23%,同时还需要更少的整体模型参数。
2019-11-21 cs.SI
Neural Predicting Higher-order Patterns in Temporal Networks
Purdue University(普渡大学);Peking University(北京大学)
由一组相互作用的元素组成的动态系统可以抽象为时态网络。最近,高阶模式,涉及多个相互作用的节点已被发现至关重要的领域特定的法律,不同的时间网络。这给我们提出了为这些高阶模式设计更复杂的超图模型和相关的新学习算法的挑战。在这里,我们提出了第一个模型,名为HIT,时间超图的全谱高阶模式预测。特别是,我们专注于预测三种类型的共同的,但重要的互动模式,涉及三个相互作用的时间网络中的元素,这可以扩展到更高阶的模式。HIT在时间超图上提取感兴趣的节点三元组的结构表示,并使用它来告诉什么类型,何时以及为什么交互扩展可能发生在这个三元组中。HIT可以实现显着的改善(平均20%的AUC增益,以确定相互作用类型,统一更准确的时间估计)相比,启发式和其他基于神经网络的基线上5个真实世界的大时间超图。此外,HIT通过识别时间超图上最具歧视性的结构特征来预测不同的高阶模式,从而提供了一定程度的可解释性。
2022-01-17 cs.AI cs.SI
Modelling Formation of Online Temporal Communities
当代社会媒体网络可以被视为对早期两步流模型的突破,在早期两步流模型中,有影响力的个人充当媒体和公众之间的中介,进行信息扩散。今天的社交媒体平台使用户能够生成和消费在线内容。用户不断地参与和脱离讨论,并进行不同程度的互动,从而形成不同的在线社区。这些社区通常是基于元数据(如Twitter上的主题标签)或由少数有影响力的用户触发的流行内容而形成的。这些在线社区往往不能反映真正的连通性,缺乏传统社区的凝聚力。在这项研究中,我们调查实时形成的时间社区在Twitter上。我们的目标是定义高和低级别的连接,并揭示集群的凝聚力的时间基础上的大小。受现实生活中的活动中心的座位安排的情况下,所提出的方法的目的是集群用户到不同的和有凝聚力的在线时间社区。社区的成员资格依赖于内在的推文属性来定义相似性,作为交互网络的基础。所提出的方法可以用于本地事件监测和基于客户端的营销等应用。
2018-04-27 cs.SI physics.soc-ph
Network Growth From Global and Local Influential Nodes
在图论和网络分析中,节点度被定义为一个简单但强大的中心性,用来衡量复杂网络中节点的局部影响力。基于节点度的优先连接模型已被广泛应用于网络增长建模。然而,许多证据表明,真实的网络增长偏离了纯粹的基于度的模型。看来节点度并不是预测新成员加入网络偏好的可靠指标,或者至少,它不能说明整个故事。在本文中,我们认为,有另一个维度的网络增长,我们称之为节点的“核心”。与度度量提供的局部视图相比,新的维度可以洞察节点的全局影响力。我们发现,现有节点吸引新节点的概率一般遵循指数依赖于节点的核心,而在同一时间,遵循幂律依赖于节点度。也就是说,高核心度节点比高度节点在吸引新成员方面更强大。新的维度进一步揭示了网络成长过程中隐藏的一些现象。随着时间的推移,节点度对新成员的吸引力逐渐增大,而核心度的影响力逐渐减小,最终达到一种均衡的增长状态。所有这些理论都在现实世界的网络上得到了验证。
2021-02-22 cs.NI cs.SI physics.soc-ph
On Temporal Regularity in Social Interactions: Predicting Mobile Phone Calls
在本文中,我们使用机器学习的方法来预测呼出的手机通话。我们分析手机用户的活动在多大程度上是可预测的。前提是,移动电话用户在与大多数联系人的交互中表现出时间规律性。在社会学语境中,大多数社会互动都有相当可靠的时间规律性。如果我们将这种行为扩展到移动电话上的交互,我们预计呼叫者与被呼叫者的交互不仅仅是随机性的结果,而是呈现出一种时间模式。为此,我们测试了我们的方法在匿名的手机使用数据集收集专门用于分析时间模式的手机通信。数据包括783个用户和12,000多个呼叫者-被叫者对。结果表明,用户的历史呼叫模式可以预测未来的呼叫与合理的准确性。
2015-12-26 cs.SI
Predicting Startup-VC Fund Matches with Structural Embeddings and Temporal Investment Data
Uzabase, Inc.(Uzabase公司)
本文提出利用结构嵌入和时间投资数据预测初创企业与风投基金匹配,通过融合多源特征提升预测准确性。
2025-11-28 cs.CE cs.SI
When and Where: Predicting Human Movements Based on Social Spatial-Temporal Events
预测人类运动的时间和位置是有价值的,但对于各种应用来说具有挑战性。为了解决这个问题,我们提出了一种方法,同时考虑人类运动的周期性和社会性。我们首先定义了一个新的概念,社会时空事件(SSTE),表示人与人之间的社会互动。对于时间预测,我们用ARMA(自回归移动平均)模型来描述SSTE的时间动态。为了动态地捕捉SSTE动力学,我们提出了一个基于卡尔曼滤波器的学习算法学习和增量更新ARMA模型作为一个新的观察变得可用。对于位置预测,我们提出了一个排名模型,其中的周期性和社会性的人类运动的同时考虑到提高预测精度。在真实数据集上进行的大量实验验证了我们提出的方法。
2014-07-06 cs.SI stat.AP
Cross-sectional Urban Scaling Fails in Predicting Temporal Growth of Cities
许多城市指标与城市人口的幂律比例,但横截面比例律是否适用于单个城市的时间增长尚不清楚。在这里,我们首先发现两个矛盾的缩放关系,城市建成区与人口在城市之间呈次线性缩放,但在大多数单个城市中,随着时间的推移与人口呈超线性缩放,因为城市土地扩张快于人口增长。不同的城市具有不同的时间尺度指数,一个城市甚至在两个时期内具有相反的时间尺度制度,有力地支持了单一的时间尺度的缺失,并进一步说明了横截面城市尺度在预测城市的时间增长的失败。我们提出了一个概念模型,可以澄清的本质区别,也连接之间的横截面标度律和城市的时间轨迹。我们的模型表明,城市有一个额外的增长,随着时间的推移,除了假定的增长预测的横截面缩放定律。不同规模城市间的额外增长差异改变了横截面标度指数。对国内生产总值和其他指标的进一步分析证实了横截面和时间尺度关系之间的矛盾以及概念模型的有效性。我们的发现可能会为城市科学开辟一条新的道路。
2019-10-17 cs.SI physics.soc-ph
Predicting links in ego-networks using temporal information
链接预测是网络科学的一个核心问题,因为它需要揭示控制网络微观动力学的机制。在这项工作中,我们感兴趣的自我网络,这是一个节点的相互作用,它的邻居,在社会关系的背景下,纯粹的信息。由于结构信息非常贫乏,我们依赖另一个信息来源来预测自我邻居之间的联系:相互作用的时间。我们定义了几个特征来捕捉不同种类的时间信息,并应用机器学习方法来组合这些不同的特征,提高预测的质量。我们展示了这种时间方法在手机交互数据集上的效率,指出了在这种情况下证明自己表现良好的功能,特别是交互的时间分布和接触之间的时间。
2015-12-15 cs.SI physics.soc-ph
Predicting Critical Nodes in Temporal Networks by Dynamic Graph Convolutional Networks
University of Electronic Science and Technology of China(电子科技大学);Nanjing University of Finance and Economics(南京财经大学);University of Nottingham(诺丁汉大学);Sichuan Provincial Key Research Base of Social Science(四川省社会科学重点研究基地);Union Big Data Tech. Inc.(联合大数据技术有限公司)
现实世界中的许多系统都可以用时态网络来表达,其中节点在结构和功能上扮演着不同的角色,而边则代表节点之间的关系。识别关键节点可以帮助我们控制舆论或流行病的传播,预测学术界的领军人物,为各种商品做广告等等,但在时序网络中,由于网络结构随时间变化,识别关键节点是相当困难的。本文考虑时序网络的序列拓扑信息,提出了一种基于特殊GCN和RNN相结合的新型有效学习框架,以识别具有最佳传播能力的节点。该方法的有效性进行了评估加权易感-感染-感染模型。在四个真实世界的时间网络上的实验结果表明,该方法在Kendall $τ$系数和最高$k$命中率方面优于传统和深度学习基准方法。
2021-07-06 cs.AI cs.LG cs.SI
Supervised Rank Aggregation for Predicting Influence in Networks
社会网络分析的许多工作都集中在识别社会网络中最重要的参与者。这导致了一些影响力和权威的措施。虽然大多数这样的社会计量学(例如,PageRank)是由基于参与者在网络中的位置的直觉驱动的,要求“最有影响力”的参与者本身就是一个不适定的问题,除非它与特定的可测量任务放在一起。在给定领域中构建感兴趣的预测任务提供了一种定量比较不同影响措施的机制。此外,当我们知道要收集什么类型的可操作洞察力时,我们不需要依赖于单一的网络中心性度量。测量的组合更有可能捕获社交网络的各个方面,这些方面对于任务是预测性的和有益的。为此,我们提出了一种监督排名聚合的方法,由社会选择理论的技术驱动。我们通过在Twitter和引文网络上的实验说明了该方法的有效性。
2011-08-24 cs.GT cs.IR cs.SI
Modeling Conversation Structure and Temporal Dynamics for Jointly Predicting Rumor Stance and Veracity
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
自动验证谣言信息已经成为自然语言处理和社交媒体分析中一项重要且具有挑战性的任务。以往的研究表明,人们对谣言信息的态度可以为判断谣言的真实性提供指示性线索,因此确定公众反应的态度是谣言真实性预测的关键前一步。在本文中,我们提出了一个分层的多任务学习框架,用于联合预测Twitter上的谣言立场和真实性,它由两个组件组成。我们的框架的底部组件分类的立场,在讨论谣言的对话通过建模的结构属性的基础上一种新的图卷积网络的推文。顶部组件预测谣言的真实性,利用立场演变的时间动态。在两个基准数据集上的实验结果表明,该方法在谣言立场分类和准确性预测方面都优于以往的方法。
2019-09-18 cs.CL cs.SI
DeepSIP: A System for Predicting Service Impact of Network Failure by Temporal Multimodal CNN
当网络中发生故障时,网络运营商需要识别服务影响,因为服务影响是处理故障的基本信息。在本文中,我们提出了基于深度学习的服务影响预测(DeepSIP),这是一种使用时间多模态卷积神经网络(CNN)预测从故障中恢复的时间以及由于网络元素中的故障而导致的流量损失的系统。由于恢复时间是服务水平协议(SLA)的有用信息,而流量损失与故障的严重程度直接相关,因此我们将其视为服务影响。由于网络元件不明确地包含关于服务影响的任何信息,因此服务影响难以预测。因此,我们的目标是通过提取隐藏的故障信息来预测系统日志消息和流量对服务的影响。为了从多模态、强相关的系统日志消息和流量中提取有用的预测特征,并具有时间依赖性,我们使用时间多模态CNN。我们通过实验评估了DeepSIP,与其他基于人工神经网络的方法相比,DeepSIP将预测误差降低了约50%。
2020-03-24 cs.NI cs.SI stat.AP
Predicting citation counts based on deep neural network learning techniques
Faculty of Computer Science and Engineering, Shahid Beheshti University G.C(计算机科学与工程学院,沙希德·贝赫什蒂大学(总校区))
随着世界范围内发表的科技论文数量的不断增加,对科技论文的评价和质量评估方法的需求也越来越大。科学计量学、信息计量学、文献计量学等学科为科技论文建立了定量化的分析方法和测量手段。在这一领域,一个重要的问题是预测发表论文的未来影响力。特别是,早期的有影响力的文件和无关紧要的文件之间的歧视可能会发现重要的应用。在这方面,最重要的指标之一是论文的引用次数,因为该指标广泛用于科学出版物的评估,而且它是许多其他指标(如h指数)的基础。在本文中,我们提出了一种新的方法来预测长期引用的论文发表后的头几年内的引用数的基础上。为了训练引文预测模型,我们采用了人工神经网络,这是一种功能强大的机器学习工具,最近在包括图像和文本处理在内的许多领域都有越来越多的应用。实证实验表明,我们提出的方法优于国家的最先进的方法方面的预测精度,在每年和总的引文量的预测。
2019-03-16 cs.DL 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
Tensorial and bipartite block models for link prediction in layered networks and temporal networks
现实世界中的许多复杂系统都可以很好地表示为多层网络,预测这些系统中的相互作用是预测网络科学中最紧迫的问题之一。为了解决这一挑战,我们引入了两个随机块模型的多层和时间网络,其中一个使用节点作为其基本单元,而另一个侧重于链接。我们还开发了可扩展的算法来推断这些模型的参数。由于我们的模型同时描述了所有层,因此我们的方法在对任何特定层进行预测时都充分利用了整个网络中包含的信息。我们通过分析两个经验数据集来说明我们的方法的潜力-电子邮件通信的时间网络和治疗不同癌症类型的药物相互作用网络。我们发现,同时对所有层进行建模确实会导致更准确的链接预测。然而,最具预测性的模型取决于所考虑的数据集;而基于节点的模型更适合预测药物相互作用,基于链接的模型更适合预测电子邮件通信。
2018-03-05 cs.SI physics.data-an physics.soc-ph
When Point Process Meets RNNs: Predicting Fine-Grained User Interests with Mutual Behavioral Infectivity
预测具有时态行为的用户的细粒度兴趣对于个性化和信息过滤应用是重要的。然而,现有的兴趣预测方法无法捕捉用户对特定项目的细微程度的兴趣,和内部时变漂移的个人注意力尚未研究。此外,预测过程还可能受到人际影响的影响,称为行为相互感染。受时间点过程建模中的点过程的启发,本文提出了一种基于两个递归神经网络(RNN)的深度预测方法,在用户间行为相互感染的背景下,对每个用户的连续浏览历史和异步事件序列进行联合建模。我们的模型是能够预测细粒度的兴趣,从用户对一个特定的项目和相应的时间戳时,发生的事件。该方法利用时间点过程对事件数据进行建模,并利用RNN及时更新强度函数,从而更灵活地捕捉事件序列的动态特性。此外,为了提高模型的可解释性,引入了注意力机制,强调随着时间的推移,个人和个人之间的行为影响。在真实数据集上的实验表明,我们的模型在细粒度用户兴趣预测方面优于现有的方法。
2017-10-22 cs.LG cs.SI stat.ML
TempNodeEmb:Temporal Node Embedding considering temporal edge influence matrix
School of Computer Science, Zhoukou Normal University(周口师范学院计算机科学学院);School of Engineering and IT, University of New South Wales(新南威尔士大学工程与信息技术学院);Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences(中国科学院重庆绿色智能技术研究院);Huayin Institute of Technology(淮阴工学院)
理解现实世界中复杂系统的进化模式,如人类相互作用、交通网络、生物相互作用和计算机网络,对我们的日常生活有着重要的意义。预测这种网络中节点之间的未来联系揭示了时间网络演化的一个重要方面。为了分析网络,它们被映射到邻接矩阵,然而,单个邻接矩阵不能表示复杂的关系(例如时间模式),因此,一些方法考虑时间网络的简化表示,但在高维和一般稀疏矩阵中。因此,邻接矩阵不能被机器学习模型直接用于进行网络或节点级预测。为了克服这个问题,提出了用于学习节点或边的低维向量的自动化框架,作为预测网络中的时间模式(诸如链接预测)的最新技术。然而,这些模型未能考虑网络的时间维度。这一差距促使我们在这项研究中提出了一种新的节点嵌入技术,该技术利用了网络的进化性质,在每个时间步考虑一个简单的三层图神经网络,并通过给定的角度方法提取节点方向。为了证明我们提出的算法的效率,我们评估了我们提出的算法对六个国家的最先进的基准网络嵌入模型的效率,在四个真实的时态网络数据,结果表明,我们的模型优于其他方法在预测未来的链接时态网络。
2020-08-16 cs.LG cs.SI
A Deep Learning Method for Predicting Mergers and Acquisitions: Temporal Dynamic Industry Networks
University of Delaware(特拉华大学)
本文提出时序动态行业网络模型,利用时序点过程和深度学习捕捉并购事件间的复杂依赖关系,无需特征工程或数据再平衡,即可实现交易级预测并为竞购方和目标公司提供具体建议。
2024-10-17 cs.LG cs.SI q-fin.GN
Predicting the Temporal Dynamics of Information Diffusion in Social Networks
在线社交网络在信息大规模传播方面发挥着重要作用,因此必须提供分析这一现象的手段。在本文中,我们解决的问题预测的时间动态的信息扩散过程。我们开发了一种基于图形的方法,建立在这样的假设上,即传播过程的宏观动力学由网络的拓扑结构和通过它发生的交互来解释,在微观层面上的属性的基础上,在用户对之间。我们介绍了一个通用的模型,称为T-BasIC,并描述了如何使用机器学习技术从用户行为估计其参数。与经典的方法,其中的参数是固定的,提前,T-BasIC的参数是依赖于时间的函数,这允许更好地近似和适应在线社交网络中观察到的扩散现象。我们的建议已经在真实的Twitter数据集上得到了验证。实验表明,我们的方法是能够捕捉特定的模式的扩散取决于所研究的子网络的用户和主题。结果证实了“两步”理论(1955年),即信息从媒体流向少数“意见领袖”,然后通过社交网络将其传递给大众,并表明它适用于在线环境。这项工作还强调了有趣的建议,为今后的调查。
2013-03-01 cs.SI physics.soc-ph
Diffusion Models for Influence Maximization on Temporal Networks: A Guide to Make the Best Choice
本文针对时序网络影响力最大化中扩散模型选型难的问题,按底层机制分类现有模型并评估不同场景下的有效性,分析种子选择策略,梳理领域进展、挑战与应用,为研究者和从业者提供结构化选型指南与路线图。
2025-07-30 cs.SI
Predicting commuter flows in spatial networks using a radiation model based on temporal ranges
由于交通基础设施和人类流动的复杂性质,理解诸如大型交通网络中的通勤交通的网络流是持续的挑战。在这里,我们展示了一个基于第一性原理的交通预测方法,使用基于成本的概括的辐射模型的人类流动,再加上成本最小化算法的有效分布的流动性通量通过网络。使用美国人口普查和高速公路交通数据,我们表明,交通可以有效地和准确地计算范围有限,网络介数类型的计算。基于旅行时间成本的模型捕获的对数正态分布的交通,并达到较高的皮尔逊相关系数(0.75)相比,真正的交通。由于其原则性的性质,这种方法可以告知许多应用程序相关的人类流动驱动的空间网络中的流量,从交通运输,通过城市规划,减轻灾难性事件的影响。
2014-10-17 cond-mat.stat-mech cs.SI physics.soc-ph
Predicting interactions between individuals with structural and dynamical information
捕获交互的结构和时间方面对于许多真实世界的数据集(如个人之间的联系)至关重要。使用链接流的形式主义,以捕捉系统的动态,我们解决了链接流中的活动预测的问题,也就是说,预测在给定的时间段内发生的链接的数量,我们提出了一个协议,利用包含在链接流的时间和结构信息。使用监督学习方法,我们能够对系统的动态进行建模以提高预测。我们研究了我们的算法的行为和影响预测的关键因素。通过引入不同类别的节点对,我们能够提高质量,并增加我们的预测的多样性。
2018-04-12 cs.SI physics.soc-ph
Temporal Gravity Model for Important Nodes Identification in Temporal Networks
重要节点识别是网络科学的核心任务之一,对于分析网络结构、理解网络动态过程具有重要意义。大多数现实世界的系统是时变的,可以很好地表示为时间网络。受物理学中经典引力模型的启发,我们提出了一个时间引力模型来识别时间网络中的影响节点。重力模型中的两个关键要素是物体的质量和两个物体之间的距离。在时间引力模型中,我们将节点视为对象,将节点的基本属性,如静态属性和时间属性,视为节点的质量。我们定义时间距离,即,最快到达距离和时间最短距离,作为我们模型中两个节点之间的距离。我们利用我们的模型以及基线中心性的重要节点识别方法。在10个真实数据集上的实验结果表明,时间重力模型在量化节点结构影响方面优于基线方法。此外,当我们使用时间最短距离作为两个节点之间的距离时,我们的模型是鲁棒的,并且与基线方法相比,在量化节点传播影响方面表现最好。
2020-07-04 cs.SI physics.soc-ph
Electoral Forecasting Using a Novel Temporal Attenuation Model: Predicting the US Presidential Elections
选举预测是一项持续的科学挑战,具有很高的社会影响力,因为目前的数据驱动方法试图将统计数据与经济指数和机器学习有效地结合起来。然而,最近的研究在网络科学指向的重要性,时间特性的意见传播。因此,我们结合微观观点动力学和时间流行病的概念,并开发了一种新的宏观尺度的时间衰减(TA)模型,它使用选举前的民意调查数据,以提高预测精度。我们的假设是,公布民意调查的时间在民意振荡中起着重要作用,特别是在选举之前。因此,我们定义的势头的意见作为一个时间函数,反弹时,意见被注入到一个多意见系统的选民,并在放松的状态下抑制。我们验证了TA的调查数据,从美国总统选举之间的1968-2016年,TA优于统计方法,以及最好的民意调查在他们的时间,在10出的13个总统选举。我们提出了两种不同的实现TA模型,在48年的时间内,累积的平均预测误差为2.8-3.28点。相反,统计方法累积误差为7.48分,最好的民意调查者累积误差为3.64分。总体而言,TA提供了23-37%的预测性能相比,国家的最先进的。我们表明,TA的有效性不下降时,相对较少的民意调查是可用的,此外,随着越来越多的可用性的选举前调查,我们相信,我们的TA模型将成为一个参考与其他现代选举预测技术。
2020-04-30 cs.CY cs.SI physics.soc-ph
Predicting Channel Closures in the Lightning Network with Machine Learning
AmbossTech(Amboss科技)
本文研究如何通过公开的 gossip 数据预测闪电网络通道关闭类型,发现时间行为特征比网络拓扑更有效,且简单 MLP 模型优于图方法。
2026-07-28 cs.LG cs.SI
Predicting the temporal activity patterns of new venues
估计新开业场馆的收入和业务需求至关重要,因为这些早期阶段通常涉及关键决策,如第一轮人员配备和资源分配。传统上,该估计已经通过粗粒度的测量来执行,诸如观察本地场地或类似地点的场地中的数字(例如,在同一个城市的另一个车站附近的咖啡店)。来自个人每天携带的设备和服务的众包数据的出现,为更好地预测地点和场所的时间访问模式提供了可能性。在本文中,使用来自以位置为中心的平台Foursquare的移动数据,我们将场地类别视为城市活动的代理,并分析它们如何随着时间的推移而变得流行。这项工作的主要贡献是一个预测框架,能够使用特征时间签名的地方一起与k-最近邻度量捕捉城市区域之间的相似性,预测每周的流行动态的一个新的场馆建立在城市附近。我们进一步展示了我们是如何能够预测一个月后,其开放的新场地的流行程度,使用本地和时间相似性作为功能。为了评估我们的方法,我们将重点放在伦敦。我们发现,城市的时间相似的区域可以成功地用作新场馆的访问模式的预测输入,与随机选择病房作为预测任务的训练集相比,提高了41%。我们将这些概念的时间相似的地区和地方的实时预测相关的新场馆,并表明这些功能可以有效地用于预测未来的趋势的一个场地。我们的研究结果有可能影响基于位置的技术的设计和新企业主的决策。
2018-06-05 cs.SI
Predicting epidemic risk from past temporal contact data
了解流行病如何在系统中传播是预防和控制疫情的关键一步,对系统的功能,健康和相关成本具有广泛的影响。这可以通过确定感染风险较高的因素和实施有针对性的监测和控制措施来实现。需要考虑的一个重要因素是各要素之间的疾病传播接触模式,但缺乏数据或在提供最新记录方面的延误可能会妨碍其使用,特别是对于时变模式。在这里,我们探讨在没有更新数据的情况下,在多大程度上可以使用系统接触模式的过去时间数据来预测新出现的疫情期间其元素的感染风险。我们专注于两个现实世界的时间系统;牲畜之间的动物控股流离失所贸易网络,和高端卖淫的性接触网络。我们将节点的忠诚度定义为其随时间推移与相同元素保持联系的趋势的局部度量,并揭示了与节点流行病风险的重要非平凡相关性。我们表明,风险评估分析,结合这些知识,并根据过去的结构和时间模式属性提供了准确的预测这两个系统。通过引入一个理论模型来生成合成时间网络,测试了它的推广性。我们的预测的高准确性在不同的设置中恢复,而可能的预测量是系统特定的。所提出的方法可以为有针对性的干预策略的设置提供关键信息。
2015-03-13 cs.SI physics.soc-ph
Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks
Stanford University(斯坦福大学);Georgia Institute of Technology(佐治亚理工学院);University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
对用户和物品/产品之间的顺序交互进行建模在电子商务、社交网络和教育等领域至关重要。表示学习提供了一个有吸引力的机会来建模用户和项目的动态演化,其中每个用户/项目可以嵌入在欧几里得空间中,并且其演化可以通过在该空间中的嵌入轨迹来建模。然而,现有的动态嵌入方法仅在用户采取行动时生成嵌入,并且没有显式地对嵌入空间中的用户/项目的未来轨迹进行建模。在这里,我们提出了JODIE,这是一个耦合的递归神经网络模型,可以学习用户和项目的嵌入轨迹。JODIE使用两个递归神经网络在每次交互时更新用户和项目的嵌入。重要的是,JODIE还对用户/项目的未来嵌入轨迹进行建模。为此,它引入了一种新颖的投影运算符,可以学习估计未来任何时间用户的嵌入。然后,这些估计的嵌入用于预测未来的用户-项目交互。为了使该方法具有可扩展性,我们开发了一种t-Batch算法,该算法可以创建时间一致的批次,并使训练速度提高9倍。我们进行了六个实验,以验证JODIE的两个预测任务-未来的相互作用预测和状态变化预测-使用四个真实世界的数据集。我们表明,JODIE在预测未来的相互作用和12%的状态变化预测中,在这些任务中的表现优于六个国家的最先进的算法至少20%。
2019-08-03 cs.CY cs.LG cs.SI
Diffusive Logistic Model Towards Predicting Information Diffusion in Online Social Networks
在线社交网络最近已成为在数亿最终用户中传播信息和影响力的有效和创新渠道。许多先前的工作已经进行了实证研究,并提出了扩散模型,以了解在线社交网络中的信息扩散过程。然而,这些研究大多集中在时间维度上的信息扩散,即信息如何随时间传播。很少有人试图了解信息扩散的时间和空间维度。本文提出了一种偏微分方程(PDE),具体地说,是一种扩散Logistic(DL)方程来描述在线社交网络中信息扩散的时空特性。更具体地说,我们开发了一个基于偏微分方程的理论框架来测量和预测的密度在给定的距离从原始信息源经过一段时间后的影响用户。受影响的用户在时间和距离上的密度提供了对实际信息扩散过程的有价值的洞察。我们提出的时间和空间模式在一个真实的数据集收集的Digg社会新闻网站,并验证了建议的DL方程预测的信息扩散过程。实验结果表明,DL模型确实能够描述和预测在线社交网络中的信息传播过程。例如,对于Digg中获得24,099票的最热门新闻,DL模型在前6小时内所有距离的平均预测准确率为92.08%。据我们所知,本文是第一次尝试使用偏微分方程为基础的模型来研究在时间和空间两个维度上的在线社交网络中的信息扩散过程。
2011-08-01 cs.SI math.AP physics.soc-ph
GTIN: A Unified Scalable Framework for Joint Event and Time Prediction in Temporal Graphs
Sharif University of Technology(谢里夫理工大学)
针对时态图中联合预测下一个事件及其发生时间研究不足的问题,提出统一数学框架,在此基础上引入新方法,经多数据集实证评估,该方法优于现有技术,为时态事件预测研究奠定了坚实基础。
2026-10-27 cs.AI cs.SI
Predicting Stability of Community Members in Complex Networks
在这项工作中,我们分析和预测复杂网络中社区的稳定性。我们使用一种称为个人资料接近度的接近中心性变体来衡量成员对其社区的忠诚度。我们表明,配置文件的接近度是一个足够的指标,社区如何在网络中发展。我们调查这在静态和动态(时间)网络,并建立在预测一个复杂的网络的演变的轮廓接近的相关性。关键词:小世界网络,中心性,社区,封闭性,聚类
2022-07-13 cs.DM cs.SI physics.soc-ph
Influence Maximization in Temporal Social Networks with a Cold-Start Problem: A Supervised Approach
NetEase(网易)
针对时序社交网络影响力最大化中的冷启动问题,提出基于模式的IPPs标记方法和张量化TGN模型,通过多关系时序图预测种子节点,离线实验提升精度效率,在线A/B测试验证冷启动解决效果与网络增长。
2025-04-15 cs.AI cs.SI
Predicting COVID-19 Infections Using Multi-layer Centrality Measures in Population-scale Networks
本文利用荷兰超百万人的多层网络数据研究中心性度量能否预测 COVID-19 感染风险与时间,发现其在模拟模型中有效但与真实检测数据无关联。
2023-10-31 cs.SI physics.soc-ph stat.AP
Using Core-Periphery Structure to Predict High Centrality Nodes in Time-Varying Networks
具有高介数和接近中心性的顶点表示网络中有影响力的实体。时变网络的一个重要问题是使用最小的计算先验地知道当前时间步的有影响的顶点是否将在未来的时间步中保持其高中心性,随着网络的发展。在本文中,基于几个大型真实世界的时变网络的经验证据,我们发现了一类网络,其中高度中心的顶点是网络的最内层核心的一部分,并且这种性质随着时间的推移而保持。作为这项工作的一个关键贡献,我们提出了新的算法来识别这些网络在一个最佳的方式,也开发了一个两步算法来预测高中心顶点。因此,我们第一次证明,对于这样的网络,随着网络的变化,在每个时间步中进行昂贵的最短路径计算是完全可以避免的;相反,我们可以使用时间序列模型(例如,ARIMA)来预测当前时间步中的高中心性顶点与未来时间步中的高中心性顶点之间的重叠。此外,一旦新网络及时可用,我们可以简单地根据它们的高度找到顶部核心中的高中心性顶点。
2018-06-20 cs.SI physics.soc-ph