InfluencerRank：通过图卷积注意力循环神经网络发现高效影响力者

由于影响力者在社交媒体营销中扮演着重要角色，各公司增加了对影响力者营销的预算。在社交影响力者营销中，雇佣高效的影响力者至关重要，但在数亿社交媒体用户中找到合适的影响力者具有挑战性。本文中，我们提出 InfluencerRank，它根据影响力者随时间的发布行为和社交关系，按有效性对影响力者进行排序。为表示发布行为和社交关系，应用图卷积神经网络在不同历史时期用异质网络对影响力者建模。通过学习嵌入节点特征的网络结构，InfluencerRank 可推导出各时期影响力者的信息丰富表示。一个注意力循环神经网络最终通过捕捉影响力者表示随时间演化的动态知识，将高效影响力者与其他影响力者区分开来。我们在包含 18,397 名影响力者及其 12 个月内发布的 2,952,075 条帖子的 Instagram 数据集上进行了大量实验。实验结果表明 InfluencerRank 优于现有基线方法。深入分析进一步揭示，我们提出的所有特征和模型组件均有助于发现高效影响力者。