Mar, 2024

社交网络中级联预测的层次信息增强网络

PDF
TL;DR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。
information cascadeshierarchical semantic associationscascade predictionhierarchical information enhancement network (hienet)multi-modal cascade transformer
发现论文，激发创造
  • 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

    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。

    Oct, 2023

  • 原型增强的超图学习用于异构信息网络

    本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构信息网络进行了广泛实验验证了我们的方法的有效性。

    Sep, 2023

  • 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

  • HiNet: 多场景多任务层级信息抽取的新型多任务学习技术

    提出了一种 HiNet 多场景和多任务推荐系统的层次信息提取网络，通过粗到细的知识转移方案实现层次信息提取，并引入了新颖的场景感知的注意力网络模块来明确场景之间的相关性，实验表明提出的方法在真实世界的产业环境中具有新的最先进的性能并显著优于现有解决方案。

    Mar, 2023

  • 基于偏好增强的社交影响建模用于网络感知级联预测

    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。

    Apr, 2022

  • 通过异质信息网络的综合转录，简化嵌入式学习

    通过 HEER 算法对边表现和异构度量的妥善学习，解决了综合转录异构信息网络的挑战，并在真实数据集上展示了模型的有效性和边表现和异构度量的实用性。

    Jul, 2018

  • 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

  • DeHIN：一个去中心化框架，用于嵌入大规模异构信息网络

    本文介绍了一种基于超图的分布式节点嵌入学习框架 DeHIN，通过分布式的超图划分和开发基于超图的并行化节点嵌入算法，实现了对异构信息网络的高效节点嵌入学习和分布式处理。

    Jan, 2022

  • 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

  • 超边交互感知的超图神经网络

    我们提出了一种名为 HeIHNN 的超边交互感知超图神经网络，旨在捕捉超边之间的相互作用，并引入了一种新的机制来增强超边和节点之间的信息流动。经过广泛的实验，在真实世界的数据集上，HeIHNN 相比现有方法表现出具有竞争力的性能。

    Jan, 2024