超越泄露与复杂度：面向真实且高效的信息级联预测
机器学习
2026-05-20 v2 社会与信息网络
摘要
信息级联流行度预测是分析社交网络中内容扩散的关键问题。然而，当前相关工作存在三个关键局限性：（1）当前评估中的时间泄露——随机级联分割允许模型获取未来信息，导致不切实际的结果；（2）特征贫乏的数据集缺乏下游转换信号（如点赞、评论或购买），限制了更实际的应用；（3）复杂图基方法的计算效率低下，需要数天的训练才能获得边际收益。我们从三个角度系统性地解决这些挑战：任务设置、数据集构建和模型设计。首先，我们提出了一种时间有序的分割策略，将数据 chronologically 分割为连续窗口，确保模型在没有未来信息泄露的条件下进行真正的预测任务评估。其次，我们引入Taoke—a大型电子商务级联数据集，具有丰富的推广者/产品属性和真实购买转换——捕获从推广到变现的完整扩散生命周期。最后，我们开发了CasTemp—a轻量级框架，通过时序步行、基于Jaccard的邻居选择用于级联间依赖建模，以及基于GRU的编码器和时态注意力。 在无泄露评估下，CasTemp在四个数据集上实现了状态-of-the-art性能，速度提升数个数量级。值得注意的是，它在预测第二阶段流行度转换方面表现突出——这一实际任务对于现实应用至关重要。
引用
@article{arxiv.2510.25348,
title = {Beyond Leakage and Complexity: Towards Realistic and Efficient Information Cascade Prediction},
author = {Jie Peng and Rui Wang and Qiang Wang and Zhewei Wei and Bin Tong and Guan Wang and Bo Zheng},
journal= {arXiv preprint arXiv:2510.25348},
year = {2026}
}