DeepCP：基于深度学习级联预测的闭环社交网络自主内容放置
社会与信息网络
2020-03-26 v1 机器学习
网络与互联网体系结构
摘要
在线社交网络（OSNs）正成为内容级联扩散最主流的平台。为了在OSNs中为用户提供满意的体验质量（QoE），大量研究致力于利用开放社交网络场景（如Twitter和微博）中的传播模式、用户个人资料与社交关系进行主动内容放置。本文中，我们面向隐私高度增强的闭环社交网络（如微信朋友圈）这一新方向，研究流行度感知的内容放置。我们提出了一种新颖的数据驱动整体深度学习框架，即DeepCP，用于在无需利用用户个人及社交信息的情况下，联合进行扩散感知的级联预测与自主内容放置。我们首先设计了一个时间窗口LSTM模型用于内容流行度预测与级联地理分布估计。据此，我们进一步提出了一种新颖的自主内容放置机制CP-GAN，其采用生成对抗网络（GAN）进行敏捷的放置决策，以降低内容访问延迟并提升用户QoE。我们使用微信朋友圈（WM）中的级联扩散轨迹进行了大量实验。评估结果证实，所提出的DeepCP框架能够以高精度预测内容流行度，实时生成高效的放置决策，并相较现有方案显著降低了内容访问延迟。
引用
@article{arxiv.2003.03971,
title = {DeepCP: Deep Learning Driven Cascade Prediction Based Autonomous Content Placement in Closed Social Network},
author = {Qiong Wu and Muhong Wu and Xu Chen and Zhi Zhou and Kaiwen He and Liang Chen},
journal= {arXiv preprint arXiv:2003.03971},
year = {2020}
}
备注
accepted by IEEE Journal on Selected Areas in Communications (JSAC), March 2020