Cascade-LSTM：利用深度神经网络预测信息级联
社会与信息网络
2020-04-28 v1 机器学习
摘要
在动态社交环境中预测信息流动与当代社会诸多领域相关，从传播医疗信息到模因追踪。虽然信息级联增长的预测已在多种社交平台成功解决，但预测信息级联的时间与拓扑结构则探索有限。然而，准确预测多少用户将转发某一特定用户的消息以及何时转发，对于设计实用干预技术至关重要。本文利用长短期记忆(LSTM)神经网络技术预测信息级联的两个时空属性，即个体级信息传输的规模与速度。我们将这些预测算法与级联树的概率生成结合为一个生成式测试模型，能够在Reddit与Github两个不同平台准确生成级联树。我们的方法在多种社交平台中对信息传输者分类准确率达73%以上，对早期传输者达83%。
引用
@article{arxiv.2004.12373,
title = {Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks},
author = {Sameera Horawalavithana and John Skvoretz and Adriana Iamnitchi},
journal= {arXiv preprint arXiv:2004.12373},
year = {2020}
}