HierCas：用于信息级联流行度预测的分层时序图注意力网络
社会与信息网络
2024-04-30 v2 人工智能
摘要
信息级联流行度预测对许多应用至关重要，包括但不限于识别假新闻与精准推荐。传统的基于特征的方法严重依赖手工特征，这些特征具有领域特异性且缺乏对新领域的泛化能力。为解决此问题，研究者已转向基于神经网络的方法。然而，大多数现有方法遵循基于采样的建模思路，可能丢失信息扩散过程中出现的连续动态信息。本文提出用于级联流行度预测的分层时序图注意力网络(HierCas)，其通过动态图建模方法在整个级联图上运作。借助时间感知节点嵌入、图注意力机制与分层池化结构，HierCas有效捕获了复杂级联中隐含的流行度趋势。在不同场景的两个真实数据集上开展的广泛实验表明，我们的HierCas显著优于最先进的方法。我们已在 https://github.com/Daisy-zzz/HierCas 发布了代码。
引用
@article{arxiv.2310.13219,
title = {HierCas: Hierarchical Temporal Graph Attention Networks for Popularity Prediction in Information Cascades},
author = {Zhizhen Zhang and Xiaohui Xie and Yishuo Zhang and Lanshan Zhang and Yong Jiang},
journal= {arXiv preprint arXiv:2310.13219},
year = {2024}
}
备注
Accepted by IJCNN'24