基于深度学习的个性化传播建模 COVID-19 的社会影响
社会与信息网络
2022-07-27 v1 机器学习
摘要
社会影响预测已渗透到诸多领域，包括营销、行为预测、推荐系统等。然而，传统的预测社会影响的方法不仅需要领域专业知识，还依赖于提取用户特征，这可能非常繁琐。此外，处理非欧几里得空间图数据的图卷积网络（GCNs）不能直接应用于欧几里得空间。为克服这些问题，我们扩展了 DeepInf，使其能够通过 page rank 域的转移概率预测 COVID-19 的社会影响。此外，我们的实现产生了一种基于深度学习的个性化传播算法，称为 DeepPP。该算法将神经预测模型的个性化传播与来自 page rank 分析的神经预测模型的近似个性化传播相结合。我们使用了来自不同领域的四个社交网络以及两个 COVID-19 数据集来展示所提算法的效率与有效性。与其他基线方法相比，DeepPP 提供了更准确的社会影响预测。进一步实验表明，DeepPP 可应用于 COVID-19 的真实预测数据。
引用
@article{arxiv.2207.13016,
title = {Modeling the Social Influence of COVID-19 via Personalized Propagation with Deep Learning},
author = {Yufei Liu and Jie Cao and Dechang Pi},
journal= {arXiv preprint arXiv:2207.13016},
year = {2022}
}