通过比较判别排序器检测事件级联中的社会影响
社会与信息网络
2019-07-22 v2 机器学习
物理与社会
摘要
事件级联的全局动态常由同伴影响的局部动态所支配。然而，由于同质性等混杂因素以及缺失数据等实际问题，从观测数据检测社会影响颇具挑战。我们提出一种简单的判别方法从观测数据检测影响。该方法的核心在于训练一个排序算法预测级联中下一事件的来源，并将其样本外精度与无法获取对应社会影响特征的竞争性基线比较。我们分析合成生成的数据，表明该方法在存在混杂因素时正确识别影响，且不同于知名替代方法，其对缺失数据与模型误设均具鲁棒性。我们将该方法应用于两个真实数据集：（1）美国众议院在共享竞选捐赠者社交网络上的立法共同提案；（2）关于 Higgs 玻色子发现的谣言在 个 Twitter 账户关注网络上的传播。我们的模型识别了社会影响在这些情境中的作用，并借此对级联未来轨迹作出更精准预测。
引用
@article{arxiv.1802.06138,
title = {Detecting Social Influence in Event Cascades by Comparing Discriminative Rankers},
author = {Sandeep Soni and Shawn Ling Ramirez and Jacob Eisenstein},
journal= {arXiv preprint arXiv:1802.06138},
year = {2019}
}
备注
Accepted to the SIGKDD Workshop on Causal Discovery, 2019