基于图偏置时序点过程的事件传播建模
社会与信息网络
2020-05-06 v2 机器学习
摘要
时序点过程被广泛用于序列数据建模。在本文中，我们关注图中序列事件传播建模问题，例如社交网络用户的转发、新闻在网站间的传播等。给定一组事件传播序列，传统的点过程模型仅考虑事件历史，即把事件历史嵌入为一个向量，而不考虑潜在的图结构。我们提出一种图偏置时序点过程 (GBTPP)，利用图表示学习中的结构信息，其中节点间的直接影响与来自事件历史的间接影响被分别建模。此外，学习到的节点嵌入向量也作为侧面信息被整合进嵌入的事件历史中。在合成数据集与两个真实世界数据集上的实验表明了我们的模型相较于传统方法与 SOTA 的有效性。
引用
@article{arxiv.1908.01623,
title = {Modeling Event Propagation via Graph Biased Temporal Point Process},
author = {Weichang Wu and Huanxi Liu and Xiaohu Zhang and Yu Liu and Hongyuan Zha},
journal= {arXiv preprint arXiv:1908.01623},
year = {2020}
}
备注
9 pages, 6 figures, 2 tables