DeepCas: 一种端到端的信息串联预测器
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
我们提出了一种新颖的 Hierarchical Information Enhancement Network (HIENet) 用于级联预测,将信息级联、用户社交图和子级联图集成到一个统一的框架中,并引入了多模式级联变压器来强大地融合这些线索,从而全面了解级联过程。通过广泛的实验证实了该方法的有效性。
Mar, 2024
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
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
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
作者设计了一个端到端的深度神经网络框架 DeepInf,用于学习用户的潜在特征表示以预测社交影响,并且在不同类型的社交和信息网络上展开了广泛的实验以证明该模型的显著优越性。
Jul, 2018
通过深度学习方法,该研究论文在图结构中提出了一种数据驱动的、能够预测级联影响、并具有较高防御效果的防御策略,其在大规模图环境中表现出比其他深度学习方法更好的预测准确性。
Apr, 2024