基于双重混合自激过程的转发级联描述与在线条目预测

众所周知，在线行为呈长尾分布，大多数级联动作较短，而少数极长。在线事件生成模型的一个显著缺陷是难以很好地描述不受欢迎的条目。本文通过提出双重混合自激过程来联合从级联组中学习，从而解决这些不足。我们首先从以下观察出发：在 Hawkes 过程中，内容病毒性与影响衰减的最大似然估计是可分离的。接下来，我们提出的模型利用 Borel 混合模型与核混合模型，联合建模一组异构级联的展开过程。当应用于同一在线条目的级联时，该模型直接刻画其传播动态，并提供可解释的量化指标，如内容病毒性与内容影响衰减，以及预测最终内容热度的方法。在两个转发级联数据集上——一个关于 YouTube 视频，第二个关于争议性新闻文章——我们表明我们的模型在条目、发布者与类别的粒度上捕捉在线条目之间的差异。特别地，我们能够根据远右翼、阴谋论、争议性与声誉良好的在线新闻文章在社交媒体中的扩散方式区分它们，取得了 0.945 的 F1 分数。在留出数据集上，我们表明双重混合模型为转发扩散级联（尤其是不受欢迎的级联）提供了更好的泛化性能，并为在线条目提供了准确的条目热度预测。