CasFT：基于动态线索驱动扩散模型的未来趋势建模用于信息流行度预测
人工智能
2024-09-26 v1
摘要
在线社交平台上多样化信息的快速传播促使学术界和工业界认识到预测内容流行度的重要性，这将有利于广泛的应用，如推荐系统和战略决策。最近的工作主要集中在提取给定观测期内信息扩散过程中固有的时空模式，以预测其在未来一段时间内的流行度。然而，这些工作往往忽略了未来的流行度趋势，因为未来的流行度可能呈指数增长或停滞不前，给预测性能带来了不确定性。此外，如何将从观测到的扩散过程中学习到的前期动态转移到未来趋势中，仍然是一个未被探索的挑战。在此背景下，我们提出了 CasFT，它利用观测到的信息级联和通过神经 ODE 提取的动态线索作为条件，通过扩散模型引导生成未来流行度增长趋势。然后将这些生成的趋势与观测到的信息级联中的时空模式相结合，以做出最终的流行度预测。在三个真实世界数据集上进行的大量实验表明，与最先进的方法相比，CasFT 显著提高了预测准确率，在不同数据集上取得了 2.2%-19.3% 的提升。
引用
@article{arxiv.2409.16619,
title = {CasFT: Future Trend Modeling for Information Popularity Prediction with Dynamic Cues-Driven Diffusion Models},
author = {Xin Jing and Yichen Jing and Yuhuan Lu and Bangchao Deng and Xueqin Chen and Dingqi Yang},
journal= {arXiv preprint arXiv:2409.16619},
year = {2024}
}