本文旨在比较现有的三种信息传播预测方法 (即基于中心性、基于特征以及基于点过程)，并对它们进行了分类和回归问题的评估。结果表明，基于特征的方法在预测准确性方面优于其他方法，但针对大型数据集的开销较大。而基于点过程的方法也可能遇到长时间运行的问题。该论文为社交网络分析系统的开发者选择最合适的信息传播预测方法提供了参考。

Jun, 2016

研究了一种利用深度学习技术预测信息级联大小的方法，并发现该方法可以显著提高级联预测的性能。

Nov, 2016

本文综述并分类信息流行度预测方法，包括特征工程、随机过程、图表示和基于深度学习的方法，并总结了现有研究的优缺点以及该领域的挑战和机遇。

May, 2020

我们提出了一种基于神经扩散模型的微观级别的信息传播预测方法，它加入了注意机制和卷积网络的深度学习技术，能够更好地拟合真实世界的传播数据，并实现了相对改进高达 26% F1 分数。

Dec, 2018

以观察到的级联为基础，通过学习两个低维用户特定向量来预测级联动态，并捕捉他们的影响和易感性，从而更好地模拟依赖于上下文因素的信息传播效果。

Oct, 2013

该研究讨论在社交媒体平台上，用户分享他人的内容可能会通过 resharing 或 reposting 功能形成大规模的 cascade，而未来 cascade 的轨迹本质上是不可预测的，但通过观察其 reshares 数量，结构和时间特征等因素，可以有效预测其继续扩大的概率，同时 initally 时的 breath 水平也是较大 cascade 的较好指标。

Mar, 2014

本研究利用多维标记 Hawkes 过程模拟了社交网络中用户的行为传播，解决了相关级联效应的建模和潜在传播网络的提取问题。通过 Twitter、网址缩短和音乐流媒体服务的实验结果表明，该模型在性能上胜过了其他模型。

Oct, 2015

本研究探讨了在复杂的社会系统中成功的可预测性，提出了两种错误预测的一般来源：数据和 / 或模型的不足，以及社会系统的固有不可预测性。本文以 Twitter 上的信息级联大小预测为例辅以经验研究，结果表明，即使拥有无限的数据，预测性能也会受到很强的限制；预测准确度的限制不仅取决于数据本身，而且可能取决于产品质量的估计误差和产品质量的微小差异等因素。因此，对于更难以获得数据的其他复杂的社会系统，预测准确度的限制可能更低。

Feb, 2016

本文提出了一种切换动态结构方程模型，用于跟踪动态网络中基础拓扑的离散确认背后的驱动离散状态，一个通过交替最小二乘求解的快速一阶邻域梯度算法，验证试验表明这种方法的功效。

Jun, 2016

通过信息传播模型，研究电网中的级联故障；通过将传染概率与信息串联模型相关联，建立了稳健的故障扩散模型，有效地预测级联故障传播，减少大规模级联故障的风险。

Jun, 2024