各就位，预备，预测！建模级联的连续时间动态用于信息流行度预测

信息流行度预测在病毒式营销和新闻推荐等各个领域中都重要且具有挑战性。准确预测信息流行度的关键在于巧妙地建模观测到的信息级联事件（如推文的转发）背后的潜在时间信息扩散过程。为此，现有大多数方法要么采用循环网络来捕捉从第一个到最后一个观测事件的时间动态，要么开发基于自激点过程的统计模型来进行预测。然而，信息扩散本质上是一个具有不规则观测离散事件的复杂连续时间过程，使用循环网络对其进行了过度简化，因为它们无法捕捉事件之间的不规则时间间隔；使用自激点过程也对其进行了过度简化，因为它们缺乏捕捉复杂扩散过程的灵活性。在此背景下，我们提出了 ConCat，建模级联的连续时间动态以进行信息流行度预测。一方面，它利用神经常微分方程基于级联图和序列事件信息在连续时间下对级联的不规则事件进行建模。另一方面，它将由条件强度函数参数化的级联事件视为神经时间点过程，这同样有益于流行度预测任务。我们进行了大量实验，在三个真实世界数据集上评估了 ConCat。结果表明，与最先进的基线相比，ConCat 取得了卓越的性能，在三个数据集上比表现最好的基线提高了 2.3%-33.2%。