DyHGCN：一种用于学习用户动态偏好以预测信息扩散的动态异构图卷积网络
社会与信息网络
2020-06-11 v1 机器学习
摘要
信息扩散预测是理解信息传播过程的一项基本任务。它在诸如错误信息传播预测和恶意账号检测等方面有广泛应用。先前工作要么专注于利用单一扩散序列的上下文，要么利用用户间的社交网络进行信息扩散预测。然而，不同消息的扩散路径自然构成一个动态扩散图。一方面，先前工作无法联合利用社交网络与扩散图进行预测，不足以刻画扩散过程的复杂性并导致不理想的预测性能。另一方面，它们无法学习用户的动态偏好。直观上，用户偏好随时间推移而变化，且用户个人偏好决定了其是否会转发信息。因此，在信息扩散预测中考虑用户动态偏好是有益的。本文提出一种新颖的动态异构图卷积网络（DyHGCN）以联合学习社交图与动态扩散图的结构特征。然后，我们将时间信息编码进异构图以学习用户的动态偏好。最后，我们应用多头注意力（multi-head attention）来捕获当前扩散路径的上下文依赖性以促进信息扩散预测任务。实验结果表明，DyHGCN 在三个公开数据集上显著优于最先进的模型，显示了所提模型的有效性。
引用
@article{arxiv.2006.05169,
title = {DyHGCN: A Dynamic Heterogeneous Graph Convolutional Network to Learn Users' Dynamic Preferences for Information Diffusion Prediction},
author = {Chunyuan Yuan and Jiacheng Li and Wei Zhou and Yijun Lu and Xiaodan Zhang and Songlin Hu},
journal= {arXiv preprint arXiv:2006.05169},
year = {2020}
}
备注
Accepted to the ECML-PKDD 2020