CasCIFF：面向社交网络级联预测的跨域信息融合框架
社会与信息网络
2024-09-19 v1 机器学习
摘要
现有的信息级联预测方法分为三类：特征驱动方法、基于点过程的方法以及基于深度学习的方法。其中，基于深度学习的方法凭借优越的学习与表示能力，缓解了其他方法的固有缺陷。然而，当前深度学习方法仍面临若干持续性挑战。特别是，由于虚假粉丝与复杂网络结构等因素，用户属性的准确表示仍成问题。以往聚焦于用户激活顺序的算法常忽视激活时间所提供的丰富洞察。此外，这些技术往往未能整体融合时间与结构方面，从而错失信息级联中固有的细微传播趋势。为应对这些问题，我们提出专为信息级联预测设计的跨域信息融合框架 (CasCIFF)。该框架利用多跳邻域信息增强用户嵌入的鲁棒性。在嵌入级联时，框架有意纳入时间戳，使其具备捕捉信息扩散演化模式的能力。尤为突出的是，CasCIFF 将用户分类与级联预测任务无缝整合入统一框架，从而提取对所有任务均有用的公共特征，该策略基于多任务学习原理。
引用
@article{arxiv.2308.04961,
title = {CasCIFF: A Cross-Domain Information Fusion Framework Tailored for Cascade Prediction in Social Networks},
author = {Hongjun Zhu and Shun Yuan and Xin Liu and Kuo Chen and Chaolong Jia and Ying Qian},
journal= {arXiv preprint arXiv:2308.04961},
year = {2024}
}