SIGIRApr, 2022

基于偏好增强的社交影响建模用于网络感知级联预测

PDF
TL;DR该论文提出了一种新的框架来提高级联大小预测的准确性，通过三个阶段改进了用户偏好模型，即偏好主题生成，偏好转移建模和社会影响激活。实验表明相比现有模型，该模型更加准确和有效。
network-aware cascade size predictionsocial networksgraph neural networksuser preference modelinginformation diffusion
发现论文，激发创造
  • 基于耦合图神经网络的社交平台流行度预测

    在这篇论文中，我们提出了一种名为 CoupledGNN 的新方法，该方法使用两个耦合的图神经网络来捕捉节点激活状态和影响传播之间的相互作用，从而精确地预测社交平台上的信息传播。我们在 Sina Weibo 数据集上进行的实验证明，与各种现有方法相比，我们的方法显著提高了流行度预测的准确性。

    Jun, 2019

  • 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

  • 基于图神经网络的电力故障级联预测

    通过基于图神经网络的无流模型，我们能够预测由分支故障引起的电力故障级联，评估模型并与其他影响模型进行比较，结果表明该模型优于其他模型，并且降低计算时间近两个数量级。

    Apr, 2024

  • 社交网络中级联预测的层次信息增强网络

    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

  • 社交推荐的神经影响扩散模型

    该论文提出了一种基于深度影响传播模型的社交推荐方法，模拟了用户在全局社交网中的递归扩散过程，取得了比最佳基线模型更优异的性能提升。

    Apr, 2019

  • 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

  • 用于用户身份关联的图神经网络

    本文提出了一种基于图神经网络的新型用户身份链接框架，称为 (m)，该框架通过学习社交图中用户的局部和全局特征来预测用户身份链接，并在实际数据集上进行了广泛实验来证明其有效性。

    Mar, 2019

  • 动态图神经网络进行影响力检测

    本文研究了在影响者检测中，利用动态图神经网络进行预测任务的不同配置，考虑到网络动态性与时间特征属性的影响，证明使用深度多重注意力和编码时间属性可以显著改善性能，在捕获邻域表示方面比使用网络中心度度量更有益。

    Nov, 2022

  • DeepCP：基于深度学习的级联预测驱动的封闭社交网络自主内容放置

    本文介绍了一种基于深度学习的数据驱动框架 DeepCP，通过预测内容流行度和传播模式，提出了自主内容放置机制 CP-GAN 以降低内容访问延迟和增强用户体验，以在微信朋友圈中实现有效的内容放置。实验表明 DeepCP 能够高精度地预测内容流行度，快速生成有效的内容放置决策。

    Mar, 2020

  • 利用自我网络层的力量在在线社交网络中进行链接预测

    本文提出利用社交认知理论来改善在在线社交网络中的链接预测算法，并探讨了利用社交圈子意识来扩展特征提取算法并验证其预测性能的方法，在社交圈子意识的算法中，预测性能得到了显著的提升，打败了一些最先进的解决方案，同时也可以用于针对特定类别的用户进行定向营销。

    Sep, 2021