面向社交网络兴趣预测的随机观点动力学
社会与信息网络
2021-07-09 v1
摘要
我们利用在线社交网络的核心-外围结构以及强同质性属性，开发更快速且更准确的用户兴趣预测算法。现代社交网络的核心由相对较少的具有公开兴趣画像的有影响力用户组成，而大多数外围用户基于共同兴趣关注了其中足够多的用户。我们的方法是从有影响力连接的兴趣出发预测外围节点的兴趣。为此，我们需要一个形式化模型来解释共同兴趣如何导致网络连接。因此，我们提出一个随机兴趣形成模型——最近邻影响模型（NNIM），其受 Hegselmann-Krause 观点形成模型启发，旨在解释同质性如何塑造网络。基于 NNIM，我们开发了预测外围用户兴趣的高效方法。在技术层面，我们使用变分期望最大化（Variational Expectation-Maximization），借助 NNIM 的平均场近似来优化瞬时似然函数。我们证明算法收敛快速，并能平滑扩展至拥有数百万节点的网络。我们在标准网络基准上的实验表明，我们的算法比已知最优的节点嵌入方法快至多两个数量级，且达到相近准确率。
引用
@article{arxiv.2107.03449,
title = {Stochastic Opinion Dynamics for Interest Prediction in Social Networks},
author = {Marios Papachristou and Dimitris Fotakis},
journal= {arXiv preprint arXiv:2107.03449},
year = {2021}
}