基于深度学习的信息级联预测方法综述

发布时间：2022-07-07 15:02

　　在线社交媒体极大地促进了信息的产生和传递,加速了海量信息之间的传播与交互,使预测信息级联的重要性逐渐突显。近年来,深度学习已经被广泛用于信息级联预测（Information Cascade Prediction）领域。文中主要对基于深度学习的信息级联预测方法的研究现状与经典算法进行分类、梳理与总结。根据信息级联特征刻画的侧重点不同,将基于深度学习的信息级联预测方法分为时序信息级联预测方法与拓扑信息级联预测方法,并进一步将时序信息级联预测方法分为基于随机游走（Random Walk）的方法与基于扩散路径的方法,将拓扑信息级联预测方法分为基于全局拓扑结构的方法与基于邻域聚合的方法;并对每类方法进行详细的原理阐述与优缺点介绍,介绍了信息级联预测领域常用的数据集与评价指标,在宏观与微观两种信息级联预测场景下对基于深度学习的信息级联预测算法进行实验对比,并讨论了一些信息级联预测算法中常用的算法实现细节。最后,总结了该领域未来可能的研究方向与发展趋势。 

【文章页数】：13 页

【文章目录】：
1 引言
2 相关背景与传统算法介绍
    2.1 相关背景及概念定义
        (1)级联增量预测。
        (2)病毒级联预测。
        (3)节点预测。
    2.2 传统信息级联预测方法
        (1)基于特征建模的方法[15]
        (2)基于生成建模的方法[21]
        (3)基于扩散模型的方法
3 时序信息级联预测方法
    3.1 基于随机游走的方法
    3.2 基于扩散路径的方法
4 拓扑信息级联预测方法
    4.1 基于全局拓扑结构的方法
    4.2 基于邻域聚合的方法
5 实现细节
    (1)社交网络数据预处理。
    (2)结合循环神经网络与图神经网络。
    (3)使用平均池化作为拓扑结构特征的聚合策略。
    (4)使用多头注意力机制[64]。
    (5)以非参数的形式建模时间衰竭效应。
    (6)将微观与宏观的信息级联预测任务结合。
6 信息级联预测算法分析与对比
    6.1 常用公开数据集
        (1)Twitter[66]。
        (2)Sina Weibo[35]。
        (3)AMINER [33]。
        (4)APS[27]。
        (5)HEP-PH[67]。
        (6)Memetracker[68]。
        (7)Digg [69]。
        (8)BlogCatalog。
        (9)Flickr。
    6.2 评价指标
        6.2.1 宏观信息级联预测评价指标
        6.2.2 微观信息级联预测评价指标
    6.3 实验结果与对比
        6.3.1 宏观信息级联预测方法实验对比
        6.3.2 微观信息级联预测方法实验对比
            (1)基于多模态/多视图的信息级联预测
            (2)结合时空与社区结构信息的信息级联预测
            (3)利用生成模型提高信息级联特征的刻画能力
            (4)基于元学习的信息级联预测


【参考文献】：
期刊论文
[1]基于LDA模型和AP聚类的主题演化分析[J]. 倪丽萍,刘小军,马驰宇.  计算机技术与发展. 2016(12)
[2]基于MB-LDA模型的微博主题挖掘[J]. 张晨逸,孙建伶,丁轶群.  计算机研究与发展. 2011(10)



本文编号：3656642