基于特征驱动与点过程方法的热度预测
社会与信息网络
2016-08-31 v2 物理与社会
摘要
预测热度（即信息爆发的总量）是理解网络中集体行为的一个重要子问题。近期解决该问题的两类主要方法——特征驱动模型与生成模型——各有可取之处和明显局限。本文通过一种新的混合方法和新的性能基准弥合了这些方案之间的差距。我们用带标记的Hawkes自激点过程对每个社交级联建模，并估计内容病毒性、记忆衰减和用户影响力。随后，我们利用级联历史集合学习一个用于热度预测的预测层。令我们惊讶的是，带有预测覆盖的Hawkes过程在现有推文数据[43]和新的新闻推文公共基准上均优于近期的特征驱动与生成方法。我们还发现，一组基本的用户特征和事件时间汇总统计在分类与回归任务中均具竞争力，且将点过程信息加入特征集可进一步改善预测。基于这些观察，我们认为未来关于热度预测的工作应在分类与回归任务中跨特征驱动与生成建模方法进行比较。
引用
@article{arxiv.1608.04862,
title = {Feature Driven and Point Process Approaches for Popularity Prediction},
author = {Swapnil Mishra and Marian-Andrei Rizoiu and Lexing Xie},
journal= {arXiv preprint arXiv:1608.04862},
year = {2016}
}