社交平台的 Lead-Lag 预测基准数据集
机器学习
2025-11-07 v1
摘要
社交和协作平台产生包含早期交互（如浏览、点赞或下载）随后在数月乃至数年后跟随高影响力活动（如引用、销售或评论）的多变量时间序列痕迹。我们将此设定形式化为 Lead-Lag 预测 (LLF)：给定早期使用频道（lead），预测相关但时间偏移的结果频道（lag）。尽管此类模式广泛存在，LLF 尚未被时间序列社区作为统一的预测问题来对待，主要due缺乏标准化数据集。为锚定 LLF 研究，本文提出两个高规模基准数据集——arXiv（访问 -> 230 万篇论文的引用）和 GitHub（推送/星标 -> 300 万仓库的 fork），并概述其他具有类似 lead-lag 动态的领域，包括 Wikipedia（页面浏览 -> 编辑）、Spotify（流媒体 -> 演唱会出席）、电子商务（点击 -> 购买）以及 LinkedIn 个人资料（浏览 -> 消息）。这些数据集为 lead-lag 预测提供了理想的测试平台，捕捉跨越数年的长期动态，覆盖结果的全部范围，并避免样本存活偏差。我们详细记录了数据清洗和策源的全部技术细节，通过统计和分类测试验证了 lead-lag 动态的存在，并对参数和非参数基线进行回归基准测试。我们的研究确立了 LLF 作为一种新型预测范式，为其在社交和使用数据中的系统性探索奠定了实证基础。我们的数据门户提供下载和文档，地址为 https://lead-lag-forecasting.github.io/。
引用
@article{arxiv.2511.03877,
title = {Benchmark Datasets for Lead-Lag Forecasting on Social Platforms},
author = {Kimia Kazemian and Zhenzhen Liu and Yangfanyu Yang and Katie Z Luo and Shuhan Gu and Audrey Du and Xinyu Yang and Jack Jansons and Kilian Q Weinberger and John Thickstun and Yian Yin and Sarah Dean},
journal= {arXiv preprint arXiv:2511.03877},
year = {2025}
}