DyDiff-VAE：一种用于信息扩散预测的动力学变分框架
社会与信息网络
2021-06-08 v1
摘要
本文描述了一种新颖的扩散模型 DyDiff-VAE，用于社交媒体上的信息扩散预测。给定初始内容与一系列转发用户，DyDiff-VAE 旨在估计其他潜在用户的传播可能性并预测相应的用户排序。从扩散数据推断用户兴趣是扩散预测的基础，因为用户通常会转发其感兴趣的信息或来自具有相似兴趣者的信息。由于来自邻居的动态社会影响以及在社交媒体内外获得的对时间敏感的信息，他们的兴趣也随时间演化。现有工作未能从扩散数据建模用户的内在兴趣，并假设用户兴趣随时间保持静态。DyDiff-VAE 在两个方向上推进了最先进水平：(i) 我们提出一种动态编码器，从观测到的扩散数据推断用户兴趣的演化。(ii) 我们提出一种双重注意力解码器，通过整合来自初始级联内容与转发用户序列的信息来估计传播可能性。在来自 Twitter 和 Youtube 的四个真实世界数据集上的大量实验证明了所提模型的优势；我们显示其相对于最佳基线平均实现了 43.3% 的相对提升。此外，与基于循环神经网络的模型相比，它具有最低的运行时间。
引用
@article{arxiv.2106.03251,
title = {DyDiff-VAE: A Dynamic Variational Framework for Information Diffusion Prediction},
author = {Ruijie Wang and Zijie Huang and Shengzhong Liu and Huajie Shao and Dongxin Liu and Jinyang Li and Tianshi Wang and Dachun Sun and Shuochao Yao and Tarek Abdelzaher},
journal= {arXiv preprint arXiv:2106.03251},
year = {2021}
}
备注
In SIGIR'21