Jun, 2016

级联预测方法比较

PDF
TL;DR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。
information cascadesviral predictionsocial network analysisfeature-based methodspoint process-based methods
发现论文，激发创造
  • 信息级联分析综述：模型，预测和最新进展

    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

  • DeepCas: 一种端到端的信息串联预测器

    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

  • 公共突发事件下的信息传播预测：一项调查

    在大数据时代，信息蔓延的预测在大规模信息、专家经验和高精度模型的帮助下带来了巨大机遇。然而，不同学科的专业知识参与导致信息蔓延预测主要专注于特定应用领域（如地震、洪水、传染病）。缺乏统一的预测框架为不同应用领域的交叉预测方法的分类带来了挑战。本文提供了信息蔓延建模、预测和应用的系统分类和总结。我们旨在帮助研究人员识别前沿研究，了解公共紧急情况下信息蔓延预测的模型和方法。通过总结目前存在的问题并概述未来研究方向，本文有潜力成为研究人员进一步研究信息蔓延预测的宝贵资源。

    Mar, 2024

  • 从微观到宏观：使用行为动力学揭示和预测信息瀑布过程

    本文提出了一个新的方法来预测社交网络中的瀑布过程，使用行为动力学描述微观机制，提出了一个新的网络威布尔回归模型。本文通过数据驱动分析发现了常见的原则和模式，提出了一个可扩展的解决方案来近似瀑布过程和预测其累计过程。在大规模社交网络数据集上进行广泛评估，结果表明该方法在多项任务中可以显著优于其他最先进的基线模型。

    May, 2015

  • 基于特征和点过程的流行度预测方法

    本文介绍了一种新的基于 Hawkes 过程及自激点过程的混合算法，用于预测社交媒体信息的流行度，并通过实验证明了该方法相较于目前流行的特征驱动和生成模型具有更好的性能。同时，本文通过统计用户特征和事件时间摘要数据证明了该方法在分类和回归任务中表现出色，并建议后续会有更多工作将会在特征驱动和生成建模的方法上进行比较。

    Aug, 2016

  • 级联能否被预测？

    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

  • 从信息级联中学习用户特定的潜在影响力和易感性

    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

  • 探究复杂社会系统预测的极限

    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

  • 相关级联：竞争或合作

    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

  • CasCIFF：一种专为社交网络级联预测量身定制的跨领域信息融合框架

    通过跨领域信息融合框架（CasCIFF），我们针对信息级联预测提出了一种方法，该框架利用多跳邻域信息使用户嵌入更加鲁棒。在嵌入级联时，该框架有意地引入时间戳，赋予其捕捉信息扩散演变模式的能力。特别地，CasCIFF 将用户分类和级联预测的任务无缝集成到一个统一的框架中，从而允许提取对所有任务都有用的公共特征，这是一种基于多任务学习原理的策略。

    Aug, 2023