CasSeqGCN：融合网络结构与时间序列预测信息级联
社会与信息网络
2022-03-18 v2
摘要
信息级联研究中的一项重要任务是在已知消息过往传播轨迹的条件下预测其未来接收者。虽然网络结构构成了传播的主干，但若不了解网络上的动态过程，则难以做出准确预测。传播序列中的时间信息捕捉了许多隐藏特征，但仅基于序列的预测存在其局限性。近期研究开始探索将网络结构与时间特征相结合的可能性。本文提出一种新的端到端预测方法 CasSeqGCN，该方法同时考虑了结构与时间特征。将一次级联划分为多个快照，记录网络拓扑与节点状态。利用图卷积网络（GCN）学习快照的表示。提出一种基于动态路由的新型聚合方法来聚合节点表示，并使用长短期记忆（LSTM）模型提取时间信息。与其他最先进的基线方法相比，CasSeqGCN 能更准确地预测未来级联规模。消融研究表明，性能提升主要源于输入设计与 GCN 层。我们专门设计实验表明，本方法学到的级联表示质量优于其他方法。我们的工作提出了一种结合结构特征与时间特征的新途径，不仅为未来级联预测研究提供了有用的基线模型，也为网络上及网络本身的动态相关的一系列广泛问题带来新见解。
引用
@article{arxiv.2110.06836,
title = {CasSeqGCN: Combining Network Structure and Temporal Sequence to Predict Information Cascades},
author = {Yansong Wang and Xiaomeng Wang and Radosław Michalski and Yijun Ran and Tao Jia},
journal= {arXiv preprint arXiv:2110.06836},
year = {2022}
}