面向信息级联预测的深层协同嵌入
社会与信息网络
2020-01-22 v1 机器学习
摘要
近来，信息级联预测引起了研究者日益增长的兴趣，但由于现有工作的三点缺陷，其远未得到很好解决。首先，现有工作常假设一种潜在的信息扩散模型，由于信息扩散的复杂性，这在现实世界中并不实用。其次，现有工作常忽略对感染顺序的预测，而后者在社会网络分析中也起着重要作用。最后，现有工作常依赖于对潜在扩散网络的要求，而这些网络在实践中往往不可观测。本文中，我们旨在无需底层扩散机制与扩散网络知识的情况下，预测节点感染与感染顺序，其挑战有两方面。其一是应捕获节点的哪些级联特征以及如何捕获，其二是如何建模信息级联中节点的非线性特征。为应对这些挑战，我们提出了一种称为深层协同嵌入（DCE）的新型模型用于信息级联预测，其不仅能捕获节点结构属性，还能捕获两类节点级联特征。我们提出了一种基于自编码器的协同嵌入框架，通过级联协同与节点协同来学习节点嵌入，从而有效捕获信息级联的非线性。在真实数据集上开展的广泛实验的结果验证了我们所提方法的有效性。
引用
@article{arxiv.2001.06665,
title = {Deep Collaborative Embedding for information cascade prediction},
author = {Yuhui Zhao and Ning Yang and Tao Lin and Philip S. Yu},
journal= {arXiv preprint arXiv:2001.06665},
year = {2020}
}