DeepCas：一种端到端的信息级联预测器
社会与信息网络
2016-11-17 v1 机器学习
摘要
信息级联在大多数社交网络平台的有效推动下，被认为是这些网络中几乎所有社会成功与灾难的主要因素。级联能否被预测？尽管许多人认为它们本质上不可预测，但近期研究表明，信息级联的某些关键属性，如规模、增长和形状，可以通过结合多种特征的机器学习算法进行预测。这些预测器均依赖一组手工设计的特征来表示级联网络和全局网络结构。这类特征往往经过精心设计，有时甚至带有神秘色彩，不易扩展或推广到不同的平台或领域。受深度学习近期在多项数据挖掘任务中取得成功的启发，我们研究了一种端到端的深度学习方法能否有效预测级联的未来规模。这种方法无需手工设计的特征和启发式规则，即可在全局网络结构的背景下自动学习单个级联图的表示。我们发现节点嵌入的预测能力不足，而将级联图作为一个整体来学习其表示至关重要。我们提出了以端到端方式学习级联图表示的算法，相较于包括基于特征的方法、节点嵌入方法和图核方法在内的强基线，这些算法显著提升了级联预测的性能。我们的结果也为一般意义上的级联预测提供了有趣的启示。
引用
@article{arxiv.1611.05373,
title = {DeepCas: an End-to-end Predictor of Information Cascades},
author = {Cheng Li and Jiaqi Ma and Xiaoxiao Guo and Qiaozhu Mei},
journal= {arXiv preprint arXiv:1611.05373},
year = {2016}
}