HIP：基于距离中心性融合与神经 ODE 的模型无关超图影响预测
社会与信息网络
2025-08-22 v1
摘要
预测社交网络中的用户影响是关键问题，超图作为更高阶建模方法，为此任务提供了新视角。然而，缺乏显式的级联或感染概率数据，使得在超图中推断影响具有挑战性。为此，我们提出HIP——一个统一且模型无关的影响预测框架，无需了解底层扩散模型。HIP将多维中心性指标与时移重解释距离矩阵融合，以有效代表节点在无可观测扩散过程下的扩散容量。这些表示通过多跳超图神经网络（HNN）处理，以捕获复杂的更高阶结构依赖，而时序关联性则通过结合长短期记忆网络（LSTM）和神经常微分方程（Neural ODEs）的混合模块建模。值得注意的是，HIP具有内在模块化设计：将标准HGNN替换为先进的DPHGNN，将LSTM替换为xLSTM，均可获得类似的优异性能，凸显其架构的通用性和鲁棒性。在14个真实超图数据集上的实证评估表明，HIP在预测准确性、鲁棒性及识别顶级影响者方面 consistently 优于现有基线，且无需依赖任何扩散轨迹或传播模型的先验知识。这些发现凸显了HIP在复杂超图环境下作为通用解决方案的有效性与适应性。
引用
@article{arxiv.2508.15312,
title = {HIP: Model-Agnostic Hypergraph Influence Prediction via Distance-Centrality Fusion and Neural ODEs},
author = {Su-Su Zhang and JinFeng Xie and Yang Chen and Min Gao and Cong Li and Chuang Liu and Xiu-Xiu Zhan},
journal= {arXiv preprint arXiv:2508.15312},
year = {2025}
}