基于耦合图神经网络的社会平台热度预测
社会与信息网络
2019-11-28 v2 机器学习
摘要
预测社会平台上在线内容的热度对研究者和从业者均为重要任务。以往方法主要利用早期采纳者的人口统计、时间和结构模式进行热度预测。然而,多数现有方法难以精确捕捉信息扩散中的级联效应,即早期采纳者沿底层网络尝试激活潜在用户。本文考虑网络感知的热度预测问题,利用早期采纳者与社会网络进行热度预测。我们提出显式捕捉级联效应,建模给定邻居激活状态与影响力下目标用户的激活状态。为此,我们提出一种新方法CoupledGNN,使用两个耦合图神经网络捕捉节点激活状态与影响力传播间的相互作用。通过堆叠图神经网络层,我们所提方法自然 successive 地捕捉网络中沿网络的级联效应。在合成与真实新浪微博数据集上的实验表明,我们的方法在热度预测上显著优于SOTA方法。
引用
@article{arxiv.1906.09032,
title = {Popularity Prediction on Social Platforms with Coupled Graph Neural Networks},
author = {Qi Cao and Huawei Shen and Jinhua Gao and Bingzheng Wei and Xueqi Cheng},
journal= {arXiv preprint arXiv:1906.09032},
year = {2019}
}