从 #Jobsearch 到 #Mask：利用溢出效应改进 COVID-19 级联预测
社会与信息网络
2021-08-13 v4 计算机与社会
摘要
一场信息爆发随 COVID-19 大流行在社交媒体上发生并导致信息疫情。预测在线内容的流行度，即级联预测，不仅能提前捕捉值得关注的热门信息，也能识别将广泛传播并需快速响应以减轻影响的虚假信息。在以往工作利用的多种信息扩散模式中，暴露于用户的信息对其参与扩散某信息的决策所产生的溢出效应仍未被研究。本文聚焦于与 COVID-19 预防措施相关的信息扩散。通过我们收集的 Twitter 数据集，我们验证了该溢出效应的存在。基于该发现，我们对三种基于图神经网络（GNNs）的级联预测方法提出扩展。在我们数据集上的实验表明，所识别溢出效应的使用显著改进了最先进 GNNs 方法在预测不仅预防措施消息、而且其他 COVID-19 相关消息流行度上的表现。
引用
@article{arxiv.2012.07088,
title = {From #Jobsearch to #Mask: Improving COVID-19 Cascade Prediction with Spillover Effects},
author = {Ninghan Chen and Xihui Chen and Zhiqiang Zhong and Jun Pang},
journal= {arXiv preprint arXiv:2012.07088},
year = {2021}
}