论文部分内容阅读
随着社交网络的崛起，推文的爆炸式转发分享所引发的社会轰动已屡见不鲜。转发分享所引起的现象又称为信息级联现象，信息的级联传播形成不可估量的社会合力，并对社会造成深刻的影响。在此背景下，通过研究信息的传播过程，对信息级联进行预测，具有重要的理论意义和现实价值。本文在查阅大量国内外相关文献的基础上，综合运用生成建模、深度学习方法，通过对信息传播过程进行合理编码，构建了社交网络中的信息级联预测模型，并对模型进行实证分析。本文主要工作内容和创新点如下：
1)提出了一种基于时空注意力的社交网络信息级联预测模型。为捕获信息在传播过程中的用户交互行为间的依赖关系，本文通过显式地学习级联信息中时序信息和空间结构信息的表示特征，提出了基于时空注意力的社交网络信息级联预测(ICP)模型。为获得级联信息的空间结构信息，利用图卷积网络学习传播级联图的表示特征，将其邻居节点的特征汇聚到自身节点，利用双向循环神经网络学习级联子图中节点间的时序信息以及相互作用，再结合注意力机制耦合计算过程中的空间结构信息与时序信息。最后，在两个真实的级联数据集上的验证，实验结果证明了ICP模型各部分的必要性和各变体的高效性。相比之前的级联预测模型，该模型预测误差显著地降低，且在不同预测场景均具有良好的通用性。
2)提出了一种自激励点过程的图卷积级联预测模型。本文考虑信息传播的点过程，利用图卷积网络、随机游走、自激励机制提出一种自激励点过程的图卷积级联预测(GHawkes)模型。首先，根据邻居节点的特征信息对用户的影响力进行编码，采用随机游走进行采样，再利用图卷积网络对用户影响力进行图表示学习，学习用户之间的关系，再通过自激励过程对级联信息的传播构成进行学习，然后，使用注意力机制耦合用户影响力和自激励过程并通过内容衰减输出预测。最后，在两个真实的级联数据集上的验证，实验结果表明GHawkes各部分的必要性以及各变体的高效性；相比之前的预测模型，该模型预测误差显著地降低，且在不同预测场景均具有良好的通用性。
1)提出了一种基于时空注意力的社交网络信息级联预测模型。为捕获信息在传播过程中的用户交互行为间的依赖关系，本文通过显式地学习级联信息中时序信息和空间结构信息的表示特征，提出了基于时空注意力的社交网络信息级联预测(ICP)模型。为获得级联信息的空间结构信息，利用图卷积网络学习传播级联图的表示特征，将其邻居节点的特征汇聚到自身节点，利用双向循环神经网络学习级联子图中节点间的时序信息以及相互作用，再结合注意力机制耦合计算过程中的空间结构信息与时序信息。最后，在两个真实的级联数据集上的验证，实验结果证明了ICP模型各部分的必要性和各变体的高效性。相比之前的级联预测模型，该模型预测误差显著地降低，且在不同预测场景均具有良好的通用性。
2)提出了一种自激励点过程的图卷积级联预测模型。本文考虑信息传播的点过程，利用图卷积网络、随机游走、自激励机制提出一种自激励点过程的图卷积级联预测(GHawkes)模型。首先，根据邻居节点的特征信息对用户的影响力进行编码，采用随机游走进行采样，再利用图卷积网络对用户影响力进行图表示学习，学习用户之间的关系，再通过自激励过程对级联信息的传播构成进行学习，然后，使用注意力机制耦合用户影响力和自激励过程并通过内容衰减输出预测。最后，在两个真实的级联数据集上的验证，实验结果表明GHawkes各部分的必要性以及各变体的高效性；相比之前的预测模型，该模型预测误差显著地降低，且在不同预测场景均具有良好的通用性。