基于社交网络表示学习的扩散可达概率预测
社会与信息网络
2019-01-16 v1 机器学习
机器学习
摘要
网络上两个节点之间的扩散可达概率定义为从一个节点起源的级联到达另一个节点的概率。无限数量的级联将能够计算任意两个节点之间真实的扩散可达概率。然而，实际仅存在有限数量的级联，且通常只能获得所有可用级联的一小部分。在这项工作中，我们解决了在仅有有限数量级联和底层网络结构部分信息的情况下估计扩散可达概率的问题。我们提出的策略采用节点表示学习来生成节点嵌入并将其输入机器学习算法，以建立预测扩散可达概率的模型。我们使用在两个真实世界社交网络上合成生成的级联进行了实验分析。结果表明，当级联占比很小时，所提方法优于使用可用级联计算所得的值。
引用
@article{arxiv.1901.03829,
title = {Predicting Diffusion Reach Probabilities via Representation Learning on Social Networks},
author = {Furkan Gursoy and Ahmet Onur Durahim},
journal= {arXiv preprint arXiv:1901.03829},
year = {2019}
}