HierCas：基于层次化时间图注意力网络的信息传播中的流行度预测

Oct, 2023

HierCas：基于层次化时间图注意力网络的信息传播中的流行度预测

HierCas: Hierarchical Temporal Graph Attention Networks for Popularity Prediction in Information Cascades

Zhizhen Zhang, Xiaohui Xie, Yishuo Zhang, Lanshan Zhang, Yong Jiang

TL;DR本文提出了一种名为 HierCas 的层级时序图注意力网络框架，通过动态图模型方法对整个级联图进行操作，能够捕捉连续动态信息的全范围，并明确建模结构和时间因素的相互作用。通过利用时间感知节点嵌入、图注意机制和层级池化结构，HierCas 有效地捕捉了复杂级联中隐含的流行趋势。在不同情景下对两个真实世界数据集进行的广泛实验表明，我们的 HierCas 明显优于最先进的方法。

Abstract

information cascade popularity prediction is critical for many applications, including but not limited to identifying fake news and accurate recommendations. Traditional feature-based methods heavily rely on handcrafted features, which are domain-specific and lack generalizability to n

information cascade popularity prediction neural network-based approaches dynamic graph modeling approach time-aware node embedding hierarchical pooling structures

发现论文，激发创造

基於明確時間嵌入的級聯注意網路用於信息流行度預測

基于时间嵌入的级联注意力网络（TCAN）是一个面向大规模信息网络的新型流行度预测架构，通过将时间属性嵌入到节点特征中，并利用级联图注意力编码器（CGAT）和级联序列注意力编码器（CSAT）来完全学习级联图和级联序列的表示，从而实现对信息流的预测。

Aug, 2023

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

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

基于层次图注意力的新闻异构信息网络假新闻检测

该研究提出了一种名为 HGAT (Hierarchical Graph Attention Network) 的框架，该框架利用一种新颖的分层注意机制，在异构信息网络中进行节点表示学习，通过对新闻文章节点进行分类来检测假新闻。实验结果表明，HGAT 可以胜过基于文本和其他基于网络结构的模型，并且该框架还具有与其他节点分类相关应用程序的图形表示学习的扩展性和通用性。

Feb, 2020

采用时间 RNN 和分层注意力建模动态异构网络进行链接预测

本研究提出了一种新颖动态异构网络嵌入方法，称为 DyHATR，在使用分层注意机制来学习异构信息的基础上，结合了循环神经网络和时间注意力机制来捕捉网络的演化趋势，并在实际应用中得到了较好的表现。

Apr, 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

时空注意力图神经网络用于剩余寿命预测

本研究提出了一种时空注意力图神经网络模型，通过结合图神经网络和时间卷积神经网络，以改进预测精度和模型可解释性；该模型在统一归一化下表现出了卓越的结果。此外，对于具有多个操作条件的数据集，聚类归一化提升了我们所提出模型的性能高达 27%。

Jan, 2024

基于注意力机制的异构结构学习图神经网络

本文针对异构信息网络（HIN）的图表示学习进行了研究，并提出了一种新颖的基于异构图结构注意力神经网络（HetSANN）的方法，该方法在不需要领域专家设计元路径方案的情况下能够自动处理异构信息。实验证明，该方法相较于现有的 HIN 嵌入模型有显著和一致的提升。

Dec, 2019

多头注意力层级网络用于证据感知的假新闻检测

本研究提出了一种基于 Hierarchical Multi-head Attentive Network 的虚假新闻检测方法，该方法使用多头词级别和文档级别的注意力实现解释，并在两个实际数据集上优于七种现有方法。

Feb, 2021

用于论文评审评估推荐的分层双向自注意力网络

本文提出了一个基于层次自注意力网络框架（HabNet）的论文审阅评级预测和推荐方法，该方法能够作为学术论文审阅过程的有效决策工具，并通过三级编码器中的分层结构来识别有用的预测器，以及帮助发现评审者所传达的数值评级和文本情感之间的不一致性，进一步引入了两个新的度量标准来评估数据不平衡情况下的模型，经过对公开数据集（PeerRead）和我们自己收集的数据集（OpenReview）的广泛实验，证明了该方法相比于最先进的方法有着更为卓越的表现。

Nov, 2020