重新审视在线社交网络中的信息级联

如今一个公认的常识是，要理解在线社交网络（OSN）平台中用户的活动模式，需考察其好友或关注对象。普遍看法是这些好友对用户施加影响，决定其是否转发内容。基于这一直觉，人们开发了多种模型来预测信息在OSN中的传播方式，类似于感染在人群中的扩散。在本文中，我们重新审视这一世界观并得出新的结论。给定用户集合 $V$，我们研究如下任务：在已知前一时间窗内 $V$ 中所有用户活动的情况下，预测用户 $u \in V$ 在接下来时间窗内是否会转发某 $v \in V$ 的内容。我们为该任务设计了若干算法，从仅学习 $u$ 的条件概率分布、忽略 $V$ 中其余用户的简单贪婪算法，到接收 $V$ 全体活动但不显式接收社交链接结构的基于卷积神经网络的算法。我们在从Twitter收集的四个数据集上测试了算法，每个数据集围绕2020年一个不同的热门话题。卷积神经网络取得了最佳性能，四个数据集上平均F1-score为0.86。而那种简单的、忽略社交链接的算法达到了0.78的平均F1-score。