信息级联的低秩主题模型估计
机器学习
2020-03-27 v3 机器学习
社会与信息网络
摘要
我们考虑基于观察到的信息扩散事件（或级联）来估计社交网络潜在结构的问题，其中给定级联的观测仅包含被感染节点的感染时间戳，而不包含感染源。现有关于该问题的工作大多集中于估计扩散矩阵，而对其没有任何结构假设。本文中，我们提出一种新颖的模型，其基于如下直觉：如果两个节点对信息内容中同样突出的相似主题感兴趣，则信息更可能在它们之间传播。具体而言，我们的模型赋予每个节点一个影响向量（衡量该节点在每个主题上的权威性）和一个接受向量（衡量该节点对每个主题的易感性）。我们展示了如何从观察到的级联中估计此节点-主题结构，并证明了估计量的一致性。在合成和真实数据上的实验表明了我们的模型相比现有最先进方法具有更好的性能和可解释性。
引用
@article{arxiv.1709.01919,
title = {Estimation of a Low-rank Topic-Based Model for Information Cascades},
author = {Ming Yu and Varun Gupta and Mladen Kolar},
journal= {arXiv preprint arXiv:1709.01919},
year = {2020}
}