基于 D2D-LSTM 的移动社交网络 D2D 扩散路径预测
社会与信息网络
2019-10-07 v1 机器学习
网络与互联网体系结构
机器学习
摘要
近来，如何扩展数据传输以减少蜂窝数据及重复蜂窝传输受到越来越多研究关注。在移动社交网络中，内容流行度预测一直是流量卸载与扩展数据分发的重要部分。然而，当前主流内容流行度预测方法仅利用下载与分享数量或用户兴趣分布，未考虑移动社交网络中重要的时间与地理位置信息，且所有数据来自 OSN（在线社交网络），与 MSN（移动社交网络）不同。在本文中，我们提出 D2D 长短期记忆网络（D2D-LSTM），一种基于 LSTM 的深度学习网络，旨在预测完整的 D2D 扩散路径。我们的工作是全球首个利用 MSN 真实数据、通过符合 D2D 结构的深度神经网络预测扩散路径的尝试。相较于仅学习用户社交特征而不含时间分布或 GPS 分布及文件内容特征的线性序列网络，我们的模型因符合 D2D 结构并融合用户社交特征与文件特征，能更准确地预测传播路径（高达 85.858%）且更快收敛（少于 100 步）。此外，我们可模拟生成 D2D 传播树。经实验与比较，发现其与真实树极为相似。最后，我们定义一种用户原型细化方法，能更精确描述原型用户的传播共享习惯（含内容偏好、时间偏好与地理位置偏好），并实验验证当将用户原型增至 1000 类时，预测结果与 50 类时几乎一致。
引用
@article{arxiv.1910.01453,
title = {D2D-LSTM based Prediction of the D2D Diffusion Path in Mobile Social Networks},
author = {Hao Xu},
journal= {arXiv preprint arXiv:1910.01453},
year = {2019}
}
备注
9 pages, 10 fighures. arXiv admin note: text overlap with arXiv:1705.09275 by other authors