CasGCN：基于信息扩散图预测级联未来增长
社会与信息网络
2020-09-14 v1 机器学习
摘要
信息级联的突发爆发可能导致极端观点、时尚趋势改变以及谣言的不可控传播等意外后果。如何有效预测级联未来的规模，尤其是Twitter和微博等社交媒体平台上大规模级联的规模，已成为一个重要问题。然而，现有方法在处理这一具有挑战性的预测问题时存在不足。传统方法严重依赖手工设计特征或不切实际的假设。端到端深度学习模型（如循环神经网络）不适合直接处理图结构输入，且无法处理嵌入在级联图中的结构信息。本文提出一种用于级联增长预测的深度学习新架构CasGCN，其采用图卷积网络从图输入中提取结构特征，随后在对级联规模进行预测之前，对提取的特征和时间信息均应用注意力机制。我们在两个真实世界级联增长预测场景（即新浪微博的转发热度与DBLP上的学术论文引用）上开展实验，实验结果表明CasGCN优于多种基线方法，尤其当级联规模较大时。
引用
@article{arxiv.2009.05152,
title = {CasGCN: Predicting future cascade growth based on information diffusion graph},
author = {Zhixuan Xu and Minghui Qian and Xiaowei Huang and Jie Meng},
journal= {arXiv preprint arXiv:2009.05152},
year = {2020}
}