科研動(dòng)態(tài)
用于信息級(jí)聯(lián)預(yù)測(cè)的深度學(xué)習(xí)方法
中文題目：用于信息級(jí)聯(lián)預(yù)測(cè)的深度學(xué)習(xí)方法
論文題目：CaSTGCN：Deep Learning Method for Information Cascade prediction
錄用期刊/會(huì)議：2024中國(guó)自動(dòng)化大會(huì)（CAA A類(lèi)會(huì)議）
錄用時(shí)間：2024.9.18
作者列表：
1)黃世博 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 控制科學(xué)與工程 研23級(jí)
2)張 罡 中國(guó)石油大學(xué)（北京）經(jīng)濟(jì)管理學(xué)院 信息管理與信息系統(tǒng) 本20級(jí)
3)劉浩博 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 人工智能 本21級(jí)
4)張晨曦 中國(guó)石油大學(xué)（北京）經(jīng)濟(jì)管理學(xué)院 信息管理與信息系統(tǒng) 本21級(jí)
5)劉建偉 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系 教師
摘要:
隨著社交媒體技術(shù)的成熟，一種大量信息不斷傳播和在社交網(wǎng)絡(luò)上與用戶(hù)互動(dòng)。在線(xiàn)的傳播信息對(duì)個(gè)人、組織和社會(huì)有重大影響。因此，控制和預(yù)測(cè)信息級(jí)聯(lián)尤為重要。傳統(tǒng)的信息級(jí)聯(lián)預(yù)測(cè)和純序列建模方法難以捕捉時(shí)間性和結(jié)構(gòu)性級(jí)聯(lián)中的信息以進(jìn)行準(zhǔn)確預(yù)測(cè)。最近許多研究已經(jīng)開(kāi)始探索深度學(xué)習(xí)算法，特別是圖神經(jīng)網(wǎng)絡(luò)（GNN）和序列在預(yù)測(cè)信息中對(duì)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行建模。因此，我們提出了一個(gè)名為用于信息級(jí)聯(lián)預(yù)測(cè)的深度學(xué)習(xí)方法（CaSTGCN）提取信息級(jí)聯(lián)的結(jié)構(gòu)和時(shí)間特征以及預(yù)測(cè)其未來(lái)的增量大小。
背景與動(dòng)機(jī):
現(xiàn)代社交媒體平臺(tái)，如新浪微博、Twitter 和 Facebook 已成為意見(jiàn)分享、信息獲取和在線(xiàn)在世界各地進(jìn)行社交，因?yàn)樗鼈円子谑褂茫⑶倚?。在這些平臺(tái)上，用戶(hù)不斷創(chuàng)建新內(nèi)容，可以被其他人轉(zhuǎn)發(fā)和討論users 的微博數(shù)據(jù)的即時(shí)性和爆發(fā)性。作為結(jié)果，如何處理和利用這些海量數(shù)據(jù)成為熱門(mén)話(huà)題，對(duì)信息的研究社交媒體中的傳播迅速引起了廣泛關(guān)注。
主要內(nèi)容:
在本文中，受先前研究的啟發(fā)，我們構(gòu)建了一種用于級(jí)聯(lián)序列預(yù)測(cè)的 ST-GCN，我們稱(chēng)之為 CaSTGCN。具體來(lái)說(shuō)，我們使用 ST-GCN 和 TCN，它結(jié)合了結(jié)構(gòu)和時(shí)間特征來(lái)預(yù)測(cè)給定級(jí)聯(lián)的增長(zhǎng)大小。通過(guò)定義活動(dòng)和非活動(dòng)狀態(tài)，我們將級(jí)聯(lián)分為多個(gè)快照，每個(gè)快照都包含底層網(wǎng)絡(luò)和每個(gè)節(jié)點(diǎn)的活動(dòng)狀態(tài)。這些快照中節(jié)點(diǎn)的表示是使用專(zhuān)門(mén)設(shè)計(jì)的 ST-GCN。嵌入結(jié)構(gòu)和時(shí)間信息的快照序列發(fā)送到 TCN 層以進(jìn)一步提取時(shí)間特征并使用 MLP 層獲得最終預(yù)測(cè)。
圖4. CaSTCGN 的整體框架
結(jié)論:
總而言之，我們提出了一個(gè)帶有編碼器-解碼器信息級(jí)聯(lián)圖的預(yù)測(cè)模型。該模型首先嵌入了使用多個(gè) ST-GCN 的級(jí)聯(lián)圖的特征模塊。然后它進(jìn)一步通過(guò) TCN 模塊提取時(shí)間特征，并且然后進(jìn)行預(yù)測(cè)。為了測(cè)試我們的模型，我們進(jìn)行了在兩個(gè)真實(shí)數(shù)據(jù)集和一個(gè)合成數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明 CaSTGCN 的表現(xiàn)優(yōu)于以前的最先進(jìn)模型。此外，圖注意力能夠讓 CaSTGCN 捕獲更多動(dòng)態(tài)信息，收斂速度更快。我們未來(lái)的工作重點(diǎn)是在更大規(guī)模的社交網(wǎng)絡(luò)。
表1. 預(yù)測(cè)性能
作者簡(jiǎn)介:
劉建偉，教師，學(xué)者。發(fā)表學(xué)術(shù)研究論文280多篇。