中文題目：用于信息級聯預測的深度學習方法

論文題目：CaSTGCN：Deep Learning Method for Information Cascade prediction

錄用期刊/會議：2024中國自動化大會（CAA A類會議）

錄用時間：2024.9.18

作者列表：

1)黃世博 中國石油大學（北京）人工智能學院 控制科學與工程 研23級

2)張   罡 中國石油大學（北京）經濟管理學院 信息管理與信息系統 本20級

3)劉浩博 中國石油大學（北京）人工智能學院 人工智能 本21級

4)張晨曦 中國石油大學（北京）經濟管理學院 信息管理與信息系統 本21級

5)劉建偉 中國石油大學（北京）人工智能學院 自動化系 教師

摘要:

隨著社交媒體技術的成熟，一種大量信息不斷傳播和在社交網絡上與用戶互動。在線的傳播信息對個人、組織和社會有重大影響。因此，控制和預測信息級聯尤為重要。傳統的信息級聯預測和純序列建模方法難以捕捉時間性和結構性級聯中的信息以進行準確預測。最近許多研究已經開始探索深度學習算法，特別是圖神經網絡（GNN）和序列在預測信息中對神經網絡算法進行建模。因此，我們提出了一個名為用于信息級聯預測的深度學習方法（CaSTGCN）提取信息級聯的結構和時間特征以及預測其未來的增量大小。

背景與動機:

現代社交媒體平臺，如新浪微博、Twitter 和 Facebook 已成為意見分享、信息獲取和在線在世界各地進行社交，因為它們易于使用，并且效率。在這些平臺上，用戶不斷創建新內容，可以被其他人轉發和討論users 的微博數據的即時性和爆發性。作為結果，如何處理和利用這些海量數據成為熱門話題，對信息的研究社交媒體中的傳播迅速引起了廣泛關注。

主要內容:

在本文中，受先前研究的啟發，我們構建了一種用于級聯序列預測的 ST-GCN，我們稱之為 CaSTGCN。具體來說，我們使用 ST-GCN 和 TCN，它結合了結構和時間特征來預測給定級聯的增長大小。通過定義活動和非活動狀態，我們將級聯分為多個快照，每個快照都包含底層網絡和每個節點的活動狀態。這些快照中節點的表示是使用專門設計的 ST-GCN。嵌入結構和時間信息的快照序列發送到 TCN 層以進一步提取時間特征并使用 MLP 層獲得最終預測。

圖4. CaSTCGN 的整體框架

結論:

總而言之，我們提出了一個帶有編碼器-解碼器信息級聯圖的預測模型。該模型首先嵌入了使用多個 ST-GCN 的級聯圖的特征模塊。然后它進一步通過 TCN 模塊提取時間特征，并且然后進行預測。為了測試我們的模型，我們進行了在兩個真實數據集和一個合成數據集上進行實驗，結果表明 CaSTGCN 的表現優于以前的最先進模型。此外，圖注意力能夠讓 CaSTGCN 捕獲更多動態信息，收斂速度更快。我們未來的工作重點是在更大規模的社交網絡。

表1. 預測性能

作者簡介:

劉建偉，教師，學者。發表學術研究論文280多篇。