Hierarchical Information Enhancement Network for Cascade Prediction in Social Networks

要約

ネットワーク内の情報カスケードを理解することは、多くのアプリケーションにおける基本的な問題です。
現在の研究では、単純なカスケード表現を学習するために、カスケード情報をいくつかの独立したパスまたはサブグラフにサンプリングすることがよくあります。
ただし、これらのアプローチは、異なるモダリティ間の階層的な意味の関連付けを利用できず、予測パフォーマンスが制限されます。
この研究では、カスケード予測のための新しい階層情報拡張ネットワーク (HIENet) を提案します。
私たちのアプローチは、基本的なカスケード シーケンス、ユーザー ソーシャル グラフ、およびサブカスケード グラフを統一フレームワークに統合します。
具体的には、HIENet は DeepWalk を利用して、カスケード情報を一連のシーケンスにサンプリングします。
次に、ユーザー間の経路情報を収集して、伝播者の社会的関係を抽出します。
さらに、タイムスタンプ付きグラフ畳み込みネットワークを採用して、サブカスケード グラフ情報を効果的に集約します。
最終的に、これらの手がかりを強力に融合するマルチモーダル カスケード トランスを導入し、カスケード プロセスの包括的な理解を提供します。
広範な実験により、提案された方法の有効性が実証されました。

要約(オリジナル)

Understanding information cascades in networks is a fundamental issue in numerous applications. Current researches often sample cascade information into several independent paths or subgraphs to learn a simple cascade representation. However, these approaches fail to exploit the hierarchical semantic associations between different modalities, limiting their predictive performance. In this work, we propose a novel Hierarchical Information Enhancement Network (HIENet) for cascade prediction. Our approach integrates fundamental cascade sequence, user social graphs, and sub-cascade graph into a unified framework. Specifically, HIENet utilizes DeepWalk to sample cascades information into a series of sequences. It then gathers path information between users to extract the social relationships of propagators. Additionally, we employ a time-stamped graph convolutional network to aggregate sub-cascade graph information effectively. Ultimately, we introduce a Multi-modal Cascade Transformer to powerfully fuse these clues, providing a comprehensive understanding of cascading process. Extensive experiments have demonstrated the effectiveness of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google